Новое исследование под руководством Калифорнийского технологического института в журнале Наука описывает, как инструменты машинного обучения, работающие на классических компьютерах, могут быть использованы для прогнозирования квантовых систем и, таким образом, помочь исследователям решить некоторые из самых сложных задач физики и химии. Хотя это понятие уже было продемонстрировано экспериментально ранее, новый отчет является первым, в котором математически доказано, что метод работает.

"Квантовые компьютеры идеально подходят для решения многих задач физики и материаловедения", - говорит ведущий автор Синь-Юань (Роберт). Хуан, аспирант, работающий с Джоном Прескиллом, профессором теоретической физики имени Ричарда П. Фейнмана и руководителем Аллена В. К. Дэвиса и Ленабель Дэвис в Институте квантовой науки и технологии (IQIM). "Но мы еще не совсем пришли к этому и были удивлены, узнав, что в то же время можно использовать классические методы машинного обучения. В конечном счете, цель этой статьи - показать, что люди могут узнать о физическом мире".

На микроскопических уровнях физический мир становится невероятно сложным местом, управляемым законами квантовой физики. В этой области частицы могут существовать в суперпозиции состояний или в двух состояниях одновременно. А суперпозиция состояний может привести к запутыванию, явлению, при котором частицы связаны или коррелируют, даже не соприкасаясь друг с другом. Эти странные состояния и связи, которые широко распространены в природных материалах и материалах, созданных человеком, очень трудно описать математически.

"Предсказать низкоэнергетическое состояние материала очень сложно", - говорит Хуан. "Существует огромное количество атомов, и они накладываются друг на друга и запутываются. Вы не можете написать уравнение, чтобы описать все это".

Новое исследование является первой математической демонстрацией того, что классическое машинное обучение может быть использовано для преодоления разрыва между нами и квантовым миром. Машинное обучение - это тип компьютерного приложения, которое имитирует работу человеческого мозга для обучения на основе данных.

"Мы - классические существа, живущие в квантовом мире", - говорит Прескилл. "Наш мозг и наши компьютеры являются классическими, и это ограничивает нашу способность взаимодействовать с квантовой реальностью и понимать ее".

Хотя предыдущие исследования показали, что приложения машинного обучения способны решать некоторые квантовые проблемы, эти методы обычно работают таким образом, что исследователям трудно понять, как машины пришли к своим решениям.

"Обычно, когда дело доходит до машинного обучения, вы не знаете, как машина решила проблему. Это черный ящик", - говорит Хуан. "Но теперь мы, по сути, выяснили, что происходит в коробке, с помощью нашего численного моделирования". Хуан и его коллеги провели обширное численное моделирование в сотрудничестве с Центром квантовых вычислений AWS в Калифорнийском технологическом институте, которое подтвердило их теоретические результаты.

Новое исследование поможет ученым лучше понять и классифицировать сложные и экзотические фазы квантовой материи.

"Беспокойство заключалось в том, что люди, создающие новые квантовые состояния в лаборатории, могут не суметь их понять", - объясняет Прескилл. "Но теперь мы можем получить разумные классические данные, чтобы объяснить, что происходит. Классические машины не просто дают нам ответ, как оракул, но и ведут нас к более глубокому пониманию".

Соавтор Виктор В. Альберт, физик NIST (Национальный институт стандартов и технологий) и бывший аспирант премии Дабриджа в Калифорнийском технологическом институте, согласен с этим. "Что меня больше всего волнует в этой работе, так это то, что теперь мы ближе к инструменту, который поможет вам понять основную фазу квантового состояния, не требуя от вас очень многого знать об этом состоянии заранее".

В конечном счете, конечно, будущие инструменты машинного обучения, основанные на квантах, превзойдут классические методы, говорят ученые. В соответствующем исследовании, опубликованном 10 июня 2022 года в Наука Хуан, Прескилл и их коллеги сообщают об использовании процессора Google Sycamore, элементарного квантового компьютера, чтобы продемонстрировать, что квантовое машинное обучение превосходит классические подходы.

"Мы все еще находимся в самом начале этой области", - говорит Хуан. "Но мы точно знаем, что квантовое машинное обучение в конечном итоге будет наиболее эффективным".