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 в статье журнала Nature Physics алгоритм, который преодолевает эти трудности, действуя автономно и применяя машинное обучения для обратной инженерии моделей гамильтониана, пишет Phys.org.
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".
