تراشه کامپیوتر CPU با فناوری پیشرفته
پژوهشگران کالتک[1] توصیف میکنند که چگونه میتوان از ابزارهای یادگیری ماشینی، که روی رایانه های کلاسیک اجرا میشوند، برای پیش بینی سیستم های کوانتومی استفاده کرد و در نتیجه به حل برخی از پیچیده ترین مسائل فیزیک شیمی کمک کرد.
فیزیکدانان ثابت میکنند که مدل های کلاسیک یادگیری ماشینی میتوانند پیش بینی های مربوط به مواد کوانتومی را بهبود بخشند.
رایانه های کوانتومی سر و صدای زیادی ایجاده کرده اند و دلیل خوبی نیز دارد. رایانه های آینده نگر طراحی شده اند تا آنچه در طبیعت در مقیاس میکروسکوپی اتفاق میافتد را تقلید کنند. این بدین معنی است که آنها این قدرت را دارند تا قلمرو کوانتومی را بهتر درک کنند و کشف مواد کوانتومی جدید، از جمله داروها، مواد شیمیایی سازگار با محیط زیست و موارد دیگر را سرعت بخشند. با این حال، کارشناسان میگویند برای دسترسی به رایانه های کوانتومی کاربردی، یک دهه یا بیشتر زمان باقی مانده است. در این میان پژوهشگران چه کاری باید انجام دهند؟
یک مطالعه جدید توصیف میکنند که چگونه میتوان از ابزارهای یادگیری ماشینی، که روی رایانه های کلاسیک اجرا میشوند، برای پیش بینی سیستم های کوانتومی استفاده کرد و در نتیجه برای حل برخی از پیچیده ترین مسائل فیزیک و شیمی به دانشمندان کمک کرد. درحالی که این مفهوم قبلا مطرح شده بود، گزارش جدید اولین گزارشی است که از نظر ریاضی ثابت میکند که این روش در مسائلی کار میکند که هیچ الگوریتم سنتی قادر به حل آن نیست.
این پژوهش به کمک کالتک در23 سپتامبر در مجله ساینس[2] منتشر شد.
هسین یوان (رابرت) هوانگ. اعتبار: کالتک
هسین یوان (رابرت) هوانگ، نویسنده اصلی این مقاله دانشجوی کارشناسی ارشد است و با جان پرسکیل، ریچارد پی فاینمن، استاد فیزیک نظری و آلن وی سی دیویس، رئیس موسسه علوم و فناوری کوانتومی (IQIM) کار میکند. او میگوید: «رایانه های کوانتومی برای بسیاری از مشکلات فیزیک و علم مواد ایده آل هستند. اما هنوز کاملاً به آن نقطه نرسیدهایم و از پی بردن به این موضوع که در این مدت میتوانیم از روشهای کلاسیک یادگیری ماشینی استفاده کنیم، شگفتزده شدیم. در نهایت، این مقاله به نشان دادن آنچه که انسان ها میتوانند در مورد دنیای فیزیکی بیاموزند میپردازد».
جهان فیزیکی، در سطوح میکروسکوپی، به مکانی بسیار پیچیده تبدیل می شود که قوانین فیزیک کوانتومی آن را اداره میکنند. در این قلمرو، ذرات میتوانند در یک برهم نهی از حالت ها یا در دو حالت به طور همزمان وجود داشته باشند. برهم نهی حالت ها میتواند به درهم تنیدگی( یعنی پدیده ای که در آن، ذرات بدون اینکه در تماس با یکدیگر باشند، به هم پیوند خورده یا همبستگی دارند) منجر شود. از نظر ریاضی، توصیف این حالات و ارتباطات عجیب و غریبی که در مواد طبیعی و ساخته ی دست انسان گسترده است، بسیار دشوار است.
هوانگ میگوید: «پیشبینی وضعیت انرژی کم یک ماده بسیار دشوار است. تعداد زیادی اتم وجود دارد و روی هم قرار گرفته و در هم پیچیده شده اند. شما نمیتوانید معادل هایی بنویسید که همه ی آن را توصیف کند.»
مطالعه جدید نشان دهنده اولین نمایش ریاضی است که میتوان برای پر کردن شکاف بین ما و دنیای کوانتومی از یادگیری ماشینی کلاسیک استفاده کرد. نوعی برنامه کاربردی رایانه ای که از مغز انسان برای یادگیری داده ها تقلید میکند، یادگیری ماشینی است که یکی از زمینه های هوش مصنوعی است.
پرسکیل میگوید: « ما موجودات کلاسیکی هستیم که در یک جهان کوانتومی زندگی میکنیم. مغزها و رایانه های ما کلاسیک هستند و این توانایی ما برای برقراری ارتباط و درک واقعیت کوانتوم را محدود میکند.»
اگرچه مطالعات قبلی نشان می دهند که مدل های یادگیری ماشینی قادر به حل مسائل کوانتومی هستند، این روش ها عموما طوری عمل میکنند که یادگیری نحوه رسیدن این ماشینها به راه حل را برای دانشمندان دشوار میکند.
هوانگ میگوید: «معمولا، وقتی حرف از یادگیری ماشینی به میان می آید، نمیدانید ماشین چگونه مشکل را حل کرده است. این یک جعبه سیاه است. اما حال از طریق تجزیه و تحلیل ریاضی و شبیه سازی عددی متوجه شدیم که اساسا در جعبه چه اتفاقی میافتد.»
هوانگ و همکارانش شبیهسازیهای عددی گستردهای را با همکاری مرکز AWS برای محاسبات کوانتومی در کالتک انجام دادند که نتایج نظری آنها را تایید کرد.
تراشه Sycamore [3] گوگل
تراشه Sycamore گوگل، یک کامپیوتر کوانتومی است که در داخل کرایوستات کوانتومی خود خنک نگه داشته می شود.
اعتبار: اریک لوسرو/ شرکت گوگل
مطالعه جدید به پژوهشگران کمک میکند تا مراحل پیچیده و عجیب و غریب ماده کوانتومی را بهتر درک و طبقه بندی کنند.
پرسکیل توضیح میدهد: «نگرانی این بود که افرادی که حالتهای کوانتومی جدیدی را در آزمایشگاه درست میکنند، ممکن است نتوانند آنها را درک کنند. اما اکنون میتوانیم دادههای کلاسیک منطقی را برای توضیح آنچه در حال وقوع است به دست آوریم. ماشینهای کلاسیک نه تنها مانند یک الهه پیشگویی به ما پاسخ میدهند، بلکه ما را به سمت درک عمیقتر راهنمایی میکنند.»
ویکتور وی. آلبرت، نویسنده همکار، فیزیکدان NIST (موسسه ملی استانداردها و فناوری) و پژوهشگر سابق پسادکتری جایزه دوبریج در کالتک، موافق است. «قسمتی که من را بیش از همه در مورد این کار هیجان زده میکند این است که ما اکنون به ابزاری نزدیک شده ایم که بدون اینکه از شما بخواهد از قبل اطلاعات زیادی در مورد آن حالت داشته باشید به شما کمک میکند تا فاز زیربنایی یک حالت کوانتومی را درک کنید.»
البته دانشمندان در نهایت میگویند که ابزارهای یادگیری ماشینی آینده مبتنی بر کوانتوم، از روشهای کلاسیک بهتر عمل خواهند کرد. در یک مطالعه مرتبط که در 10 ژوئن 2022 در مجله ساینس منتشر شد، هوانگ، پرسکیل و همکارانشان گزارش دادند که برای نشان دادن برتری یادگیری ماشین کوانتومی نسبت به رویکردهای کلاسیک از پردازنده Sycamore گوگل استفاده کردهاند که یک کامپیوتر کوانتومی ابتدایی است.
هوانگ میگوید: «ما هنوز در ابتدای این راه هستیم. اما می دانیم که یادگیری ماشینی کوانتومی در نهایت کارآمدترین خواهد بود.»
مرجع: «یادگیری ماشینی کارآمد برای بسیاری از مشکلات کوانتومی چندپیکره» توسط هسین یوان هوانگ، ریچارد کئونگ، گیاکومو تورلای، ویکتور وی آلبرت و جان پرسکیل، 23 سپتامبر 2022، مجله ساینس.
این مطالعه علمی با عنوان «یادگیری ماشینی کارآمد برای بسیاری از مشکلات کوانتومی چندپیکره» توسط بنیاد جی یانگ و خانواده، وزارت انرژی و بنیاد ملی علوم (NSF) تامین مالی شد.
[1] Caltech
[2] Science
[3] Sycamore یک پردازش کوانتومی است.