Разделы

Цифровизация ИТ в госсекторе

ИИ упростил решение известной задачи квантовой физики со 100 тыс. уравнений до четырех

С помощью нейросети удалось радикально снизить количество уравнений, которые требуется решать в рамках изучения одной из известнейших проблем в квантовой физике. Это открывает колоссальные возможности для науки и создания новых материалов.

Посчитать на пальцах

С помощью искусственного интеллекта (ИИ) физики смогли радикально оптимизировать известную квантовую проблему, которая до недавнего времени подразумевала решение 100 тыс. различных уравнений. Теперь достаточно решить четыре уравнения, и это без каких-либо жертв в плане точности результатов.

Работа, опубликованная в Physical Review Letters 23 сентября 2022 г., может привести к революционным изменениям в том, как ученые исследуют системы, содержащие множество взаимодействующих электронов. Если это решение удастся масштабировать на другие аналогичные проблемы, с его помощью будет возможно создание новых сверхпроводящих материалов или новых средств экологически чистого производства энергии.

«Мы начинаем с огромного корпуса взаимосвязанных дифференциальных уравнений и затем с помощью машинного обучения превращаем его в нечто настолько малое, что можно посчитать на пальцах», — заявил глава исследовательской группы Доменико Ди Санте (Domenico Di Sante), сотрудник Центра вычислительной квантовой физики при Институте Флатирона (США) и Университета Болоньи (Италия).

Проблема, известная как модель Хаббарда, связана с поведением электронов, движущихся внутри решеткообразной структуры. Если два электрона занимают одну точку в решетке, они взаимодействуют. Модель Хаббарда — «идеальный» вариант нескольких важных классов материалов; с ее помощью ученые полчают представление о том, как поведение электронов обеспечивает искомые состояния вещества, такие как сверхпроводимость, при которой электроны движутся, не встречая сопротивления. Модель также используется для отработки новых методов работы с более комплексными квантовыми системами.

uchenye_600.jpg
Модель Хаббарда низвели до четырех уравнений с помощью нейросети

Простота модели Хаббарда, однако, глубоко обманчива, пишет издание Phys.org. Даже когда обсчитывается скромное количество электронов, и используются самые передовые вычислительные подходы, объем собственно вычислений остается огромным. Дело в квантовом сцеплении: после того, как два электрона взаимодействуют, они оказываются сцепленными, и как бы далеко они ни оказывались друг от друга впоследствии, их нельзя рассматривать как самостоятельные единицы. В результате физикам приходится учитывать сразу все электроны разом, а не каждый по отдельности. И чем больше электронов добавляется в систему, тем больше происходит сцеплений, и тем выше вычислительные ресурсы, которые требуются для изучения такой системы.

Ренормализационные группы

Физики в таких случаях применяют ренормализационные группы — математический аппарат, который используется для выявления изменений в системе при модификации ее свойств, например температуры, или последствий изменения масштабов.

Однако даже ренормализационная группа, отслеживающая все возможные сцепления между электронами без ущерба для точности, будет содержать десятки тысяч, сотни тысяч или даже миллионы отдельных уравнений, требующих решения.

Ди Санте и его коллеги задумались о возможности применить нейросеть для того, чтобы сделать массивную ренормализационную группу более управляемой. И это им удалось.

Ефим Климов, «Эттон»: Как мы получили грант на разработку MES-системы
Поддержка ИТ-отрасли

Нейросеть вначале проиндексировала все связи в полноразмерной группе ренормализации, затем перенастраивала силу этих соединений до тех пор, пока не выявила узко ограниченный набор уравнений, выдающих точно такой же результат, что и исходная ренормализационная группа. Количество таких уравнений в итоге удалось низвести до четырех.

«Речь идет о способности машины выявлять скрытые паттерны, — заявил Ди Санте. — Когда мы увидели результаты, мы сказали: «Ого, это куда больше, чем то, на что мы рассчитывали; нам действительно удалось получить релевантные физические результаты».

Обучение нейросети потребовало больших вычислительных ресурсов: программа проработала несколько недель непрерывно. Однако теперь эта нейросеть может быть использована для производства вычислений в связи с другими крупными физико-математическими проблемами, без необходимости начинать ее обучение с нуля.

Ди Санте и его соратники также изучают, что именно их нейросеть «поняла» насчет системы, к которой была применена, в надежде выявить закономерности, прежде неочевидные для физиков.

Как выбирать коммерческий SIEM в 2022 году?
Безопасность

Остается вопрос, насколько новый подход работает с более сложными квантовыми системами, например с материалами, в которых электроны взаимодействуют на больших дистанциях. По словам Ди Санте, существуют очень интересные возможности использовать данный метод в других областях, где используются ренормализационные группы, в том числе космологии и неврологии.

«Результат можно назвать потрясающим, и если выводы, сделанные в этой работе не будут опровергнуты, то, возможно, речь идет о глобальной революции в физике, — считает Дмитрий Гвоздев, генеральный директор компании “Информационные технологии будущего”. — Революции, которая оказалась достижима только благодаря машинному обучению и характерной для нейросетей способности выявлять скрытые закономерности, которые и позволяют низводить гиперсложные системы до считанного количества параметров. Пока возможности нейросетей находятся на начальном этапе развития, но есть основания полагать, что в будущем с их помощью удастся решать какие-то другие проблемы и задачи физики, которые на сегодняшний день остаются нерешенными, например уравнений Шредингера, множественные проблемы сверхтекучести и т. д.».

Роман Георгиев