• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  •  science >> Ciência >  >> Física
    A física aumenta os métodos de inteligência artificial

    Candidato de evento "di-fóton" de Higgs a partir de colisões de dados do Large Hadron Collider sobreposto a um esquema de um wafer de processadores quânticos. Crédito:LHC Imagem:CERN / CMS Experiment; Composto:M. Spiropulu (Caltech)

    Pesquisadores da Caltech e da University of Southern California (USC) relatam a primeira aplicação da computação quântica a um problema de física. Ao empregar técnicas de aprendizado de máquina compatíveis com o quantum, eles desenvolveram um método para extrair um sinal raro do bóson de Higgs a partir de dados de ruído abundantes. Higgs é a partícula que foi prevista para imbuir partículas elementares de massa e foi descoberta no Grande Colisor de Hádrons em 2012. O novo método de aprendizado de máquina quântica apresenta um bom desempenho mesmo com pequenos conjuntos de dados, ao contrário das contrapartes padrão.

    Apesar do papel central da física na computação quântica, até agora, nenhum problema de interesse para pesquisadores de física foi resolvido por técnicas de computação quântica. Neste novo trabalho, os pesquisadores extraíram com sucesso informações significativas sobre as partículas de Higgs programando um annealer quântico - um tipo de computador quântico capaz de apenas executar tarefas de otimização - para classificar dados de medição de partículas repletos de erros. Maria Spiropulu da Caltech, o professor de física Shang-Yi Ch'en, concebeu o projeto e colaborou com Daniel Lidar, pioneira da metodologia de aprendizado de máquina quântica e Viterbi Professor de Engenharia da USC, que também é um Distinguished Moore Scholar na divisão de Física da Caltech, Matemática e Astronomia.

    O programa quântico busca padrões dentro de um conjunto de dados para distinguir dados significativos de lixo. Espera-se que seja útil para problemas além da física de alta energia. Os detalhes do programa, bem como as comparações com as técnicas existentes, são detalhados em um artigo publicado em 19 de outubro na revista. Natureza .

    Uma técnica de computação popular para classificar dados é o método de rede neural, conhecido por sua eficiência na extração de padrões obscuros em um conjunto de dados. Os padrões identificados por redes neurais são difíceis de interpretar, pois o processo de classificação não revela como foram descobertos. As técnicas que levam a uma melhor interpretabilidade costumam ser mais propensas a erros e menos eficientes.

    "Algumas pessoas na física de alta energia estão se adiantando em relação às redes neurais, mas as redes neurais não são facilmente interpretáveis ​​para um físico, "diz o estudante de graduação em física da USC, Joshua Job, co-autor do artigo e aluno convidado da Caltech. O novo programa quântico é "um modelo de aprendizado de máquina simples que alcança um resultado comparável a modelos mais complicados sem perder robustez ou interpretabilidade, "diz Job.

    Com técnicas anteriores, a precisão da classificação depende fortemente do tamanho e da qualidade de um conjunto de treinamento, que é uma parte classificada manualmente do conjunto de dados. Isso é problemático para pesquisas de física de alta energia, que gira em torno de eventos raros enterrados em uma grande quantidade de dados de ruído. "O Grande Colisor de Hádrons gera um grande número de eventos, e os físicos de partículas têm que olhar para pequenos pacotes de dados para descobrir quais são interessantes, "diz Job. O novo programa quântico" é mais simples, leva muito poucos dados de treinamento, e pode até ser mais rápido. Conseguimos isso incluindo os estados excitados, "diz Spiropulu.

    Os estados excitados de um sistema quântico têm excesso de energia que contribui para erros na saída. "Surpreendentemente, foi realmente vantajoso usar os estados excitados, as soluções subótimas, "diz Lidar.

    "Por que exatamente esse é o caso, podemos apenas especular. Mas uma razão pode ser que o problema real que temos de resolver não é precisamente representável no recozedor quântico. Por causa disso, soluções subótimas podem estar mais perto da verdade, "diz Lidar.

    Modelar o problema de uma forma que um recozedor quântico possa entender provou ser um desafio substancial que foi enfrentado com sucesso pelo ex-aluno de graduação de Spiropulu na Caltech, Alex Mott (PhD '15), que agora está na DeepMind. "Programar computadores quânticos é fundamentalmente diferente de programar computadores clássicos. É como codificar bits diretamente. Todo o problema deve ser codificado de uma vez, e então ele é executado apenas uma vez conforme programado, "diz Mott.

    Apesar das melhorias, os pesquisadores não afirmam que os recozedores quânticos sejam superiores. Os atualmente disponíveis simplesmente "não são grandes o suficiente para codificar problemas de física difíceis o suficiente para demonstrar qualquer vantagem, "diz Spiropulu.

    "É porque estamos comparando mil qubits - bits quânticos de informação - a um bilhão de transistores, "diz Jean-Roch Vlimant, um pós-doutorado em física de altas energias na Caltech. "A complexidade do recozimento simulado explodirá em algum ponto, e esperamos que o recozimento quântico também ofereça aceleração, "diz Vlimant.

    Os pesquisadores estão buscando ativamente novas aplicações da nova técnica de classificação de recozimento quântico. "Fomos capazes de demonstrar um resultado muito semelhante em um domínio de aplicação completamente diferente, aplicando a mesma metodologia a um problema de biologia computacional, "diz Lidar." Há outro projeto de melhorias no rastreamento de partículas usando esses métodos, e estamos procurando novas maneiras de examinar partículas carregadas, "diz Vlimant.

    "O resultado deste trabalho é uma abordagem baseada na física para o aprendizado de máquina que pode beneficiar um amplo espectro de ciências e outras aplicações, "diz Spiropulu." Há muitos trabalhos e descobertas empolgantes a serem feitos nesta emergente arena interdisciplinar de ciência e tecnologia, ela conclui.

    © Ciência https://pt.scienceaq.com