AI tối ưu bài toán lượng tử 100.000 phương trình xuống chỉ còn 4 phương trình

Các nhà khoa học đã sử dụng AI để tối ưu hóa phương trình toán học, nhằm giúp giải quyết nhanh vấn đề.
AI tối ưu bài toán lượng tử 100.000 phương trình xuống chỉ còn 4 phương trình
Nguồn: PhonlamaiPhoto

Một sự hợp tác quốc tế của các nhà vật lý đã triển khai trí tuệ nhân tạo (AI) để nén một bài toán lượng tử rất phức tạp bao gồm hơn 100.000 phương trình, thành một bài toán chỉ cần giải 4 phương trình. Việc nén không làm thay đổi độ chính xác của kết quả và có thể giúp cách mạng hóa các hệ thống điều tra trong lĩnh vực vật lý lượng tử.

Công việc nghiên cứu chủ yếu được thực hiện bởi Domenico Di Sante, một trợ lý giáo sư tại Đại học Bologna ở Ý, tập trung vào mô hình Hubbard cố gắng giải thích sự chuyển đổi giữa hệ thống dẫn điện và cách điện.

Mô hình Hubbard
Lần đầu tiên được đề xuất vào năm 1963, Mô hình Hubbard cố gắng giải thích hành vi của các electron khi được đặt trên một mạng lưới dạng lưới. Theo mô hình, khi hai electron chiếm cùng một vị trí trên mạng tinh thể, chúng sẽ tương tác và số phận của chúng trở nên vướng víu về mặt cơ học lượng tử, ngay cả khi chúng được đặt cách xa nhau.

Nghiên cứu hành vi của electron giúp các nhà vật lý giải thích các giai đoạn khác nhau của vật chất. Tuy nhiên, vì các electron bị vướng cơ học lượng tử, các nhà vật lý phải xem xét tất cả các electron cùng nhau trong tính toán của họ. Điều này làm cho các phép tính trở thành một rào cản toán học phức tạp, trở nên khó hơn theo cấp số nhân khi số lượng điện tử được xem xét càng lớn.

Để đơn giản hóa nhiệm vụ, các nhà vật lý đã sử dụng một bộ máy toán học được gọi là nhóm tái chuẩn hóa, có thể giúp theo dõi tất cả các tương tác của điện tử. Tuy nhiên, một nhóm tái chuẩn hóa cuối cùng có thể chứa từ hàng chục nghìn đến hàng triệu phương trình cần giải.

Triển khai AI để đơn giản hóa
Di Sante và các đồng nghiệp của ông tự hỏi liệu AI có thể được sử dụng để đơn giản hóa vấn đề trong tầm tay hay không. Họ chuyển sang mạng nơ-ron, nơi phần mềm đầu tiên tạo ra các kết nối giữa nhóm tái chuẩn hóa và sau đó điều chỉnh độ mạnh của các kết nối đó để tìm ra một tập hợp nhỏ các phương trình tạo ra giải pháp giống như nhóm ban đầu.

Chương trình yêu cầu rất nhiều sức mạnh tính toán để hiểu được độ phức tạp của mô hình Hubbard. Nó đã chạy trong nhiều tuần, nhưng kết quả cuối cùng của nó đã tóm tắt mô hình Hubbard chỉ trong bốn phương trình.

Di Sante nói: “Về cơ bản nó là một cỗ máy có khả năng phát hiện ra các mẫu ẩn". Khi chúng tôi nhìn thấy kết quả, chúng tôi đã nói, 'Chà, điều này còn hơn cả những gì chúng tôi mong đợi'. Chúng tôi đã thực sự có thể nắm bắt được các vật lý có liên quan".

Giờ đây, chương trình đã được đào tạo để tìm kiếm các mẫu như vậy, nó có thể được điều chỉnh để xem xét các vấn đề tương tự khác mà không cần phải bắt đầu lại từ đầu. Nếu chương trình có thể được mở rộng cho các vấn đề khác, các nhà khoa học rất muốn sử dụng nó để thiết kế các vật liệu cung cấp tính siêu dẫn, nơi các electron chạy qua một vật liệu mà không có bất kỳ lực cản nào.

Ngoài ra, Di Sante và các đồng nghiệp của ông hiện đang điều tra cách máy học hoạt động trong trường hợp này để cung cấp thông tin chi tiết về cách nó hoạt động và những gì các nhà vật lý đã bỏ lỡ.

Như Ý
Theo Interesting engineering
CÙNG CHUYÊN MỤC
ĐỌC THÊM