Алгоритм машинного обучения самостоятельно изучает законы квантовых систем.

Английские инженеры разработали алгоритм, способный делать интересные предположения о физике квантовых систем. Появление подобных инструментов облегчает путь к квантовым компьютерам и датчикам, а в потенциале – открывает новую страницу в научном познании.

В физике системы частиц и их эволюция описываются математическими моделями, требующими успешного взаимодействия теоретических аргументов и экспериментальных подтверждений. Еще сложнее описание связей частиц на квантово-механическом уровне, что часто выполняется через модель гамильтониана. Процесс формулирования этих моделей из наблюдений еще больше усложняется природой квантовых состояний, которые нарушаются при попытке наблюдения.

Ученые из Университета Бристоля описали алгоритм, который преодолевает эти трудности, действуя автономно и применяя машинное обучения для обратной инженерии моделей гамильтониана.

Команда разработала новый протокол для формулирования и подтверждения приближенных моделей квантовых систем. Их алгоритм работает автономно, сам разрабатывает и проводит эксперименты, а результаты использует для того, чтобы развиваться. Он предлагает варианты гамильтонианов для описания определенной системы и различает их при помощи статистических метрик, в частности, факторов Бейеса.

Показательно, что ученые смогли продемонстрировать способность алгоритма провести реальный квантовый эксперимент с использованием дефектов алмаза, стандартного метода изучения процессов обработки квантовой информации. Этот алгоритм можно использовать для автоматического описания новых устройств, например, квантовых сенсоров.

«Сочетая мощь современных суперкомпьютеров с машинным обучением, мы смогли автоматически раскрывать структуру квантовых систем, — заявил Брайан Флинн, один из исследователей. — С приходом доступных квантовых компьютеров и симуляторов этот алгоритм станет еще более полезным: сначала он будет помогать оценивать производительность самого устройства, затем станет использовать его для понимания еще больших систем».

Исследование есть в журнале Nature Physics.

Источник: vk.com

Комментарии: