رایانه های معمولی قادر به یادگیری حل مسائل کوانتومی پیچیده در فیزیک و شیمی هستند.

تراشه کامپیوتر CPU با فناوری پیشرفته

پژوهشگران کال­تک[۱] 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 در۲۳ سپتامبر در مجله ساینس[۲] 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 [۳] 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 ۱۰ ژوئن ۲۰۲۲ 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، ۲۳ سپتامبر ۲۰۲۲، 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.

[۱] Caltech

[۲] Science

[۳] Sycamore یک پردازش کوانتومی است.

پیام بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *