To właśnie za jej sprawą fizycy byli w stanie usprawnić rozwiązywanie problemu kwantowego, które wcześniej wymagało wykonania 100 000 równań: teraz wystarczą zaledwie cztery. Co szczególnie istotne, taki sposób – o ile uda się go dostosować do innych potrzeb – mógłby umożliwić projektowanie materiałów o szczególnie pożądanych właściwościach. W tym kontekście mówi się choćby o nadprzewodnictwie czy zastosowaniach związanych z produkcją zielonej energii.
Czytaj też: Splątanie kwantowe na wyciągnięcie ręki. Zaprojektowane urządzenie jest niewyobrażalnie cienkie
Zaczynamy od ogromnego obiektu złożonego z tych wszystkich połączonych równań różniczkowych; następnie używamy uczenia maszynowego, aby przekształcić go w coś tak małego, że można to policzyć na palcach jednej ręki.wyjaśnia Domenico Di Sante z Uniwersytetu Bolońskiego
Czego w ogóle dotyczył problem? Chodziło o zachowanie elektronów: kiedy dwa takowe zajmują to samo miejsce na siatce, oddziałują ze sobą. Im więcej informacji na ten temat, tym łatwiej naukowcom będzie zrozumieć, jak zachowanie elektronów rzutuje na przykład na występowanie nadprzewodnictwa. Model Hubbarda wykorzystany przez autorów służy również jako poligon doświadczalny dla nowych metod, zanim zostaną one wykorzystane względem bardziej złożonych układów kwantowych.
Sztuczna inteligencja wykorzystana przez autorów miała postać sieci neuronowej
Niestety, model ten ma pewną wadę: nawet w przypadku niewielkiej liczby elektronów często wymagana jest poważna moc obliczeniowa. Kiedy elektrony wchodzą bowiem w interakcje, to nawet jeśli znajdują się daleko od siebie, w różnych miejscach sieci, nie mogą być traktowane z osobna. Z tego względu konieczne jest śledzenie wszystkich elektronów jednocześnie. Przy większej liczbie elektronów pojawia się więcej splątań, co będzie wymagało dodatkowych nakładów.
Czytaj też: Ta sztuczna inteligencja generuje komórki w trójwymiarze. Wystarczą jej zdjęcia
Szukając rozwiązań problemu naukowcy postanowili wykorzystać sieć neuronową. Najpierw takie oprogramowanie tworzy połączenia w obrębie pełnowymiarowej grupy renormalizacyjnej, czyli narzędzia używanego do sprawdzenia, jak zachowanie układu zmienia się w związku ze zmieniającymi się właściwościami (na przykład temperaturą). Następnie sieć neuronowa dostosowuje siłę tych połączeń, aż znajdzie mały zestaw równań, który generuje takie samo rozwiązanie jak oryginalna, duża grupa renormalizacyjna. W tym przypadku udało się zejść z około 100 tysięcy równań do zaledwie czterech.