هوش مصنوعی ۱۰۰ هزار معادله کوانتومی را به ۴ معادله خلاصه کرد
به گزارش نقشه، در حالیکه هوش مصنوعی اخیرا توانسته است ۱۰۰ هزار معادله کوانتومی را تنها به چهار معادله خلاصه کند، این سوال پیش می آید که آیا ما بی جهت دنیا را پیچیده می کنیم؟
به گزارش نقشه به نقل از ایسنا و به نقل از فیز، یک گروه بین المللی از فیزیکدانان، هوش مصنوعی را برای فشرده سازی یک مساله کوانتومی بسیار پیچیده که شامل بیشتر از ۱۰۰ هزار معادله است، به معادله ای که تنها به حل ۴ معادله نیاز دارد، به کار بردند. جالب این که این فشرده سازی، دقت نتیجه را تغییر نداد و می تواند به انقلابی در سیستم های پژوهشی در زمینه فیزیک کوانتوم کمک نماید.
این کار پژوهشی توسط دومینیکو دی سانته، استادیار دانشگاه بولونیا در ایتالیا انجام شد و بر "مدل هابارد" تمرکز داشت که تلاش می کند انتقال بین سیستم های رسانا و عایق را توضیح دهد.
مدل هابارد
مدل هابارد برای نخستین بار در سال ۱۹۶۳ عرضه شد و تلاش می کند رفتار الکترون ها را هنگامی که روی یک شبکه توری قرار می گیرند، توضیح دهد. بر طبق این مدل، زمانی که دو الکترون یک مکان را در شبکه اشغال می کنند، برهم کنش می کنند و سرنوشت آنها به صورت مکانیک کوانتومی درهم تنیده می شود، حتی اگر دور از هم قرار گیرند.
مطالعه رفتار الکترون به فیزیکدانان کمک می نماید تا حالت ها و مراحل مختلف ماده را توضیح دهند. با این وجود، از آنجاییکه الکترون ها از نظر مکانیک کوانتومی درهم تنیده هستند، فیزیکدانان باید در محاسبه های خود همه الکترون ها را با هم در نظر بگیرند. این مساله، محاسبه ها را به یک چالش ریاضی پیچیده تبدیل می کند که در آن هر چه تعداد الکترون های مورد نظر بیشتر باشد، محاسبه ها به صورت تصاعدی سخت تر می شود.
فیزیکدانان برای ساده کردن این کار از یک دستگاه ریاضی به نام "گروه نرمال سازی مجدد" استفاده کردند که می تواند به ردیابی همه برهمکنش های الکترون کمک نماید. یک گروه نرمال سازی مجدد می تواند در نهایت حاوی بین ده ها هزار تا میلیونها معادله باشد که احتیاج به حل دارند.
بکارگیری هوش مصنوعی برای ساده سازی
دی سانته و همکارانش در این فکر بودند که آیا میتوان از هوش مصنوعی برای ساده سازی این مساله استفاده کرد؟ آنها به شبکه های عصبی روی آوردند، جایی که نرم افزار ابتدا اتصالاتی را بین گروه نرمال سازی مجدد ایجاد کرد و سپس قدرت آن اتصالات را تغییر داد تا مجموعه کوچکی از معادله ها را پیدا کند که همان چاره گروه اصلی را ایجاد نماید.
این برنامه برای درک پیچیدگی مدل هابارد به قدرت محاسباتی زیادی نیاز داشت و هفته ها اجرا شد، اما خروجی نهایی آن، مدل هابارد را تنها در چهار معادله خلاصه کرد.
دی سانته اظهار داشت: این اساساً ماشینی است که قدرت کشف الگوهای پنهان را دارد. وقتی نتیجه را دیدیم، گفتیم وای، این بیشتر از آن چیزی است که انتظار داشتیم. واقعاً توانستیم فیزیک مربوطه را درک و خلاصه نماییم.
اکنون که این برنامه برای جستجوی چنین الگوهایی آموزش دیده است، میتوان آنرا برای مشاهده سایر مشکلات مشابه بدون احتیاج به شروع از ابتدا تطبیق داد.
اگر بتوان این برنامه را برای مشکلات دیگر مقیاس بندی کرد، دانشمندان مایلند از آن برای طراحی موادی استفاده نمایند که ابررسانایی را عرضه می دهند، جایی که الکترون ها بدون هیچ مقاومتی از درون ماده عبور می کنند.
علاوه بر این، دی سانته و همکارانش حالا درحال بررسی نحوه عملکرد یادگیری ماشین در این نمونه هستند تا بینشی در مورد نحوه کارکرد آن و آنچه فیزیکدانان تابحال از دست داده اند، ارائه نمایند.
یافته های این تحقیق در مجله Physical Review Letters انتشار یافته است.
این مطلب Go Map را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط در نقشه
نظرات بینندگان نقشه در مورد این مطلب