Usando inteligencia artificial, los físicos han comprimido un problema cuántico difícil que hasta ahora requiere 100,000 ecuaciones en una tarea pequeña de al menos cuatro ecuaciones, todo sin sacrificar la precisión. El trabajo podría revolucionar la forma en que los científicos investigan los sistemas con muchos electrones que interactúan. Además, si es escalable a otros problemas, el enfoque podría ayudar potencialmente en el diseño de materiales con propiedades exigentes como la superconductividad o la utilidad para la producción de energía limpia.
El autor principal del estudio, Domenico Di Sante dijo:
“Comenzamos con este gran propósito de todas estas ecuaciones diferenciales simultáneas acopladas; entonces estamos usando el aprendizaje automático para hacerlo lo suficientemente pequeño como para que pueda contarlo con los dedos”.
El formidable problema se refiere a cómo se comportan los electrones cuando se mueven a lo largo de una red en forma de rejilla. Cuando dos electrones ocupan la misma posición en la red, interactúan. Esta configuración, conocida como modelo de Hubbard, es una idealización de varias clases importantes de materiales y permite a los científicos aprender cómo el comportamiento de los electrones da lugar a fases posteriores de la materia, como la superconductividad, en la que los electrones fluyen a través del material sin ninguna resistencia.
Sin embargo, el modelo de Hubbard es engañosamente simple. Incluso con una cantidad modesta de electrones y un enfoque computacional de última generación, el problema requiere un poder de cómputo serio.
Di Sante y sus colegas se preguntaron si podrían usar una herramienta de aprendizaje automático conocida como red neuronal para hacer que los grupos de renormalización sean más manejables.
La salida del programa capturó la física del modelo de Hubbard, incluso con solo cuatro ecuaciones.
Domenico Di Sante dijo:
“Es esencialmente una máquina que tiene el poder de encontrar patrones ocultos”.
“Cuando vimos los resultados, dijimos: ‘Vaya, eso es mucho más de lo que esperábamos’. De hecho, pudimos capturar la física relevante”.
Entrenar un programa de aprendizaje automático requiere mucha fuerza computacional y el programa dura una semana entera. La buena noticia, dice Di Sante, es que ahora que tienen su programa capacitado, pueden adaptarlo para trabajar en otros problemas sin comenzar desde cero. Él y sus colegas también están investigando cómo es “aprender” sobre los sistemas en el aprendizaje automático, lo que podría proporcionar información adicional que, de otro modo, sería difícil de entender para los físicos.
En última instancia, la mayor pregunta abierta es qué tan bien funciona el nuevo enfoque en sistemas cuánticos más complejos, como materiales en los que los electrones interactúan a largas distancias. Además, existen interesantes posibilidades para usar la técnica en otros campos que se ocupan de los grupos de recombinación, dice Di Sante, como la cosmología y la neurociencia.
Noticia Confirmada
0 comentarios