- Các nhà vật lý đã sử dụng trí tuệ nhân tạo để đơn giản hóa một bài toán lượng tử khó mà trước đây cần đến 100.000 phương trình với nỗ lực hợp lý chỉ bằng bốn phương trình—tất cả đều duy trì độ chính xác.
- Những khám phá này được công bố trên tạp chí Physical Review Letters vào ngày 23 tháng 9, có khả năng làm thay đổi cách các nhà khoa học nghiên cứu các hệ thống chứa nhiều electron tương tác.
- Hơn nữa, nếu phương pháp này có thể được áp dụng cho các tình huống khác nhau, nó có thể hỗ trợ phát triển các vật liệu có các đặc tính mong muốn như tính siêu dẫn hoặc tính hữu ích trong việc tạo ra năng lượng sạch.
Các nhà vật lý đã sử dụng trí tuệ nhân tạo để giảm một vấn đề lượng tử đầy thách thức mà trước đây cần tới 100.000 phương trình thành một nỗ lực có thể quản lý được chỉ với bốn phương trình—tất cả đều không làm mất đi độ chính xác.
Lợi ích của trí tuệ nhân tạo mới
Các phát hiện, được xuất bản trên tạp chí Physical Review Letters số ra ngày 23 tháng 9, có khả năng thay đổi cách các nhà khoa học phân tích các hệ thống có nhiều electron tương tác. Hơn nữa, nếu kỹ thuật này có thể thích ứng với các tình huống khác, nó có thể giúp tạo ra các vật liệu có các tính năng mong muốn như tính siêu dẫn hoặc tiện ích để tạo ra năng lượng sạch.
Domenico Di Sante, nhà nghiên cứu thỉnh giảng tại Trung tâm Vật lý lượng tử tính toán (CCQ) của Viện Flatiron ở thành phố New York và là trợ lý giáo sư tại Đại học Bologna ở Ý, đồng thời là tác giả chính của nghiên cứu cho biết: “Chúng tôi bắt đầu với vật thể khổng lồ này. của tất cả các phương trình vi phân kết hợp với nhau này; sau đó chúng tôi sử dụng công nghệ máy học để biến nó thành một thứ nhỏ đến mức bạn có thể đếm được trên đầu ngón tay.”
Bài toán khó mà trí tuệ nhân tạo đã đơn giản hóa liên quan đến cách các electron di chuyển trên một mạng lưới như thế nào. Khi hai electron chiếm cùng một vị trí mạng, chúng sẽ tương tác với nhau. Cấu hình này, được gọi là mô hình Hubbard, lý tưởng hóa nhiều loại vật liệu chính và cho phép các nhà khoa học nghiên cứu cách hoạt động của điện tử tạo ra các pha vật chất mong muốn, chẳng hạn như tính siêu dẫn, trong đó các electron di chuyển qua vật liệu mà không có lực cản. Mô hình này cũng đóng vai trò là nơi thử nghiệm các phương pháp tiếp cận mới trước khi chúng được áp dụng cho các hệ lượng tử phức tạp hơn.
Tuy nhiên, mô hình Hubbard có vẻ đơn giản. Ngay cả một số lượng nhỏ điện tử và các công cụ tính toán tiên tiến cũng không đủ để giải quyết vấn đề. Bởi vì kết quả của các electron có thể bị vướng víu về mặt cơ học lượng tử khi chúng tương tác.
Ngay cả khi cách nhau một khoảng cách lớn trên các vị trí mạng riêng biệt, hai electron không thể được xác định riêng biệt, do đó các nhà vật lý phải xử lý tất cả các electron cùng một lúc chứ không phải từng electron một. Nhiều electron hơn dẫn đến nhiều vướng víu hơn, khiến công việc tính toán ngày càng khó khăn hơn.
Nhóm tái chuẩn hóa là một kỹ thuật để phân tích hệ lượng tử. Đây là một công cụ toán học được các nhà vật lý sử dụng để kiểm tra hành vi của một hệ thống, chẳng hạn như mô hình Hubbard, thay đổi như thế nào khi các nhà khoa học điều chỉnh các đặc tính như nhiệt độ hoặc kiểm tra các thuộc tính trên các thang đo khác nhau.
Thật không may, một nhóm tái chuẩn hóa theo dõi tất cả các khả năng ghép electron và không hy sinh có thể có hàng chục nghìn, hàng trăm nghìn hoặc thậm chí hàng triệu phương trình duy nhất cần phải giải. Hơn nữa, các phương trình này rất khó hiểu: mỗi phương trình mô tả sự tương tác của hai electron.
Nguyên lý hoạt động của trí tuệ nhân tạo
Di Sante và các đồng nghiệp của ông tự hỏi liệu họ có thể sử dụng mạng lưới thần kinh, công nghệ học máy để giúp nhóm tái chuẩn hóa dễ kiểm soát hơn hay không. Mạng lưới thần kinh giống như một nhà điều hành tổng đài điên cuồng được kết hợp với quá trình tiến hóa sinh tồn mạnh mẽ nhất. Chương trình học máy bắt đầu bằng cách tạo kết nối bên trong nhóm tái chuẩn hóa kích thước đầy đủ.
Sự trỗi dậy của dịch vụ khách hàng trí tuệ nhân tạo
Sau đó, mạng lưới thần kinh sẽ điều chỉnh cường độ của các kết nối đó cho đến khi nó phát hiện ra một tập phương trình nhỏ tạo ra câu trả lời giống như nhóm tái chuẩn hóa có kích thước khổng lồ ban đầu. Ngay cả khi chỉ có bốn phương trình, đầu ra của chương trình vẫn nắm bắt được tính chất vật lý của mô hình Hubbard.
Di Sante nói: “Về cơ bản, nó là một cỗ máy có khả năng khám phá các khuôn mẫu ẩn giấu. Khi nhìn thấy kết quả, chúng tôi đã nói: ‘Ồ, điều này còn hơn cả những gì chúng tôi mong đợi.’ Chúng tôi thực sự có thể nắm bắt được vật lý liên quan.”
Quá trình đào tạo của phần mềm máy học tiêu tốn rất nhiều sức mạnh tính toán và chương trình đã chạy trong nhiều tuần. Tin tốt, theo Di Sante, là giờ đây phần mềm của họ đã được dạy, họ có thể điều chỉnh nó để giải quyết các vấn đề khác nhau mà không cần phải bắt đầu lại từ con số 0.
Ông và các đồng nghiệp của mình cũng đang xem xét việc học máy đang “học” về hệ thống là gì, điều này có thể mang lại những hiểu biết mới mà các nhà vật lý khó có thể hiểu được.
Pháp bắt đầu sử dụng trí tuệ nhân tạo để khám phá các bể bơi chịu thuế
Điều chưa biết lớn nhất là phương pháp mới hoạt động tốt như thế nào trên các hệ lượng tử phức tạp hơn, chẳng hạn như các vật liệu trong đó các electron tương tác trên những khoảng cách rộng lớn. Hơn nữa, Di Sante tin rằng có tiềm năng hấp dẫn trong việc sử dụng trí tuệ nhân tạo trong các lĩnh vực khác liên quan đến các nhóm tái chuẩn hóa, chẳng hạn như vũ trụ học và thần kinh học.
