Aprendizado de máquina, o campo que está impulsionando uma revolução na inteligência artificial, consolidou seu papel na tecnologia moderna. Suas ferramentas e técnicas levaram a melhorias rápidas em tudo, desde carros autônomos e reconhecimento de voz até o domínio digital de um antigo jogo de tabuleiro.

Agora, os físicos estão começando a usar ferramentas de aprendizado de máquina para resolver um tipo diferente de problema, um no coração da física quântica. Em um artigo publicado recentemente em Revisão Física X , pesquisadores do JQI e do Centro de Teoria da Matéria Condensada (CMTC) da Universidade de Maryland mostraram que certas redes neurais - teias abstratas que passam informações de nó a nó como neurônios no cérebro - podem descrever sucintamente amplas faixas de sistemas quânticos.

Dongling Deng, um JQI Postdoctoral Fellow que é membro do CMTC e o primeiro autor do artigo, afirma que os pesquisadores que usam computadores para estudar sistemas quânticos podem se beneficiar das descrições simples que as redes neurais fornecem. "Se quisermos resolver numericamente algum problema quântico, "Deng diz, "primeiro precisamos encontrar uma representação eficiente."

No papel e, mais importante, em computadores, os físicos têm muitas maneiras de representar sistemas quânticos. Normalmente, essas representações incluem listas de números que descrevem a probabilidade de um sistema ser encontrado em diferentes estados quânticos. Mas torna-se difícil extrair propriedades ou previsões de uma descrição digital conforme o número de partículas quânticas aumenta, e a sabedoria predominante é que o emaranhamento - uma conexão quântica exótica entre as partículas - desempenha um papel fundamental em frustrar representações simples.

As redes neurais usadas por Deng e seus colaboradores - CMTC Director e JQI Fellow Sankar Das Sarma e Fudan University físico e ex-JQI Postdoctoral Fellow Xiaopeng Li - podem representar com eficiência sistemas quânticos que abrigam muito emaranhamento, uma melhoria surpreendente em relação aos métodos anteriores.

O que mais, os novos resultados vão além da mera representação. "Esta pesquisa é única porque não fornece apenas uma representação eficiente de estados quânticos altamente emaranhados, "Das Sarma diz." É uma nova maneira de resolver problemas intratáveis, problemas quânticos de interação com muitos corpos que usam ferramentas de aprendizado de máquina para encontrar soluções exatas. "

As redes neurais e as técnicas de aprendizagem que as acompanham impulsionaram o AlphaGo, o programa de computador que venceu alguns dos melhores jogadores de Go do mundo no ano passado (e o melhor jogador deste ano). A notícia entusiasmou Deng, um ávido fã do jogo de tabuleiro. Ano passado, ao mesmo tempo que os triunfos de AlphaGo, apareceu um artigo que introduziu a ideia de usar redes neurais para representar estados quânticos, embora não fornecesse nenhuma indicação de quão amplo poderia ser o alcance da ferramenta. “Reconhecemos imediatamente que este deveria ser um artigo muito importante, "Deng diz, "então, colocamos toda a nossa energia e tempo para estudar mais o problema."

O resultado foi um relato mais completo das capacidades de certas redes neurais para representar estados quânticos. Em particular, a equipe estudou redes neurais que usam dois grupos distintos de neurônios. O primeiro grupo, chamados de neurônios visíveis, representa partículas quânticas reais, como átomos em uma rede óptica ou íons em uma cadeia. Para contabilizar as interações entre as partículas, os pesquisadores empregaram um segundo grupo de neurônios - os neurônios ocultos - que se ligam aos neurônios visíveis. Esses links capturam as interações físicas entre partículas reais, e enquanto o número de conexões permanecer relativamente pequeno, a descrição da rede neural permanece simples.

Especificar um número para cada conexão e esquecer matematicamente os neurônios ocultos pode produzir uma representação compacta de muitos estados quânticos interessantes, incluindo estados com características topológicas e alguns com quantidades surpreendentes de emaranhamento.

Além de seu potencial como ferramenta em simulações numéricas, a nova estrutura permitiu que Deng e colaboradores provassem alguns fatos matemáticos sobre as famílias de estados quânticos representados por redes neurais. Por exemplo, redes neurais com apenas interações de curto alcance - aquelas em que cada neurônio oculto está conectado apenas a um pequeno grupo de neurônios visíveis - têm um limite estrito em seu emaranhamento total. Este resultado técnico, conhecida como lei de área, é uma busca de muitos físicos da matéria condensada.

Essas redes neurais não podem capturar tudo, no entanto. “Eles são um regime muito restrito, "Deng diz, acrescentando que não oferecem uma representação universal eficiente. Se eles fizeram, eles podem ser usados ​​para simular um computador quântico com um computador comum, algo que os físicos e cientistas da computação acham muito improvável. Ainda, a coleção de estados que eles representam de forma eficiente, e a sobreposição dessa coleção com outros métodos de representação, é um problema aberto que Deng diz que está maduro para uma maior exploração.