Yapay zekada devrim yaratan makine öğrenimi, modern teknolojideki rolünü güçlendirdi.
Fizikçiler, kuantum fiziğinin merkezinde bulunan farklı bir problemi çözmek için makine öğrenme araçlarını kullanmaya başlıyorlar. Yakın zamanda Physical Review X‘de yayınlanan bir makalede, JQI Araştırmacıları ve Maryland Üniversitesi’nde Yoğun Madde Teorisi Merkezi (CMTC), beyindeki düğümlere benzer nöronların; bir düğümden diğer bir düğüme bilgi aktaran bazı sinir ağlarının, (soyut webler) kuantum sistemlerinin geniş aralıklarını kısaca açıklayabildiğini gösterdi.
Kuantum Dolaşıklığı
Kuantum fiziğine göre iki benzer parçacık birbiri ile eşzamanlılık’a sahiptir. Bu parçacıklar ayrı yerlerde birbirlerinden çok uzak mesafelerde olsalar dahi, birinde olan bir durum diğerini de aynı şekilde etkiler. Daha basit bir anlatımla ikiz kardeşlerin ayrı ülkelerde olduğunu varsayarsak. Bir kardeşin sağ elini kaldırması diğer ülkedeki kardeşinde sağ elini kaldırması anlamına gelir. Buna kuantum dolaşıklığı denir.
CMTC Üyesi, JQI Doktora Sonrası Üyesi ve Yazar Dongling Deng, bilgisayarların kuantum sistemlerini incelemek için kullanan araştırmacıların, sinir ağlarının sunduğu basit tanımlamalardan yararlanabileceğini söylüyor.
Deng, “Bir miktar kuantum sorununun sayısal olarak ele alınmasını istiyorsak, öncelikle verimli bir temsilcilik bulmamız gerek” dedi.
Bilgisayarlarda, fizikçilerin kuantum sistemlerini temsil etmelerinin birçok yolu var. Genellikle bu gösterimler, bir sistemin farklı kuantum hallerinde bulunma ihtimalini açıklayan sayıların listelerini içerir. Ancak kuantum parçacıklarının sayısı arttıkça dijital bir tanımlamadan özellik veya tahmin çıkarmak zordur.
Deng ve Ekibi; CMTC Direktörü,JQI Üyesi Sankar Das Sarma, Fudan Üniversitesi Fizikçi ve Eski JQI Doktora Sonrası Üyesi Xiaopeng Li tarafından kullanılan sinir ağları, çok sayıda ‘dolaşma’ barındıran kuantum sistemlerini etkili bir şekilde temsil edilebiliyor.
Dahası, yeni sonuçlar yalnızca temsilin ötesine geçiyor. Das Sarma, “Bu araştırma, yüksek oranda birbirine dolaşmış kuantum durumlarının etkin bir gösterimini sağlamadığı için eşsizdir. Kesin çözümler bulmak için makine öğrenme araçlarını kullanan, karmaşık, kuantumlu problemleri çözmenin yeni bir yoludur.”
Yapay sinir ağları ve beraberindeki öğrenme teknikleri, geçen yıl dünyanın en iyi Go oyuncularından bazılarını yenen bilgisayar programı olan AlphaGo’yu çalıştırdı.
Kuantum Sistemi/Sinir Ağı Oluşturma
Ekip; özellikle iki ayrı nöron grubu kullanan sinir ağları üzerinde çalışmışlardır. Görünür nöronlar adı verilen ilk grup, optik bir kafesteki atomlar veya zincirdeki iyonlar gibi gerçek kuantum parçacıklarını temsil eder. Parçacıklar arasındaki etkileşimleri hesaba katmak için, araştırmacılar görünür nöronlarla bağlantılı ikinci bir nöron grubu (gizli nöronlar) kullandılar. Bu bağlantılar, gerçek parçacıklar arasındaki fiziksel etkileşimleri yakalar. 
Her bağ için bir numara belirtmek ve gizli nöronları matematiksel olarak unutmak, şaşırtıcı miktarda dolaşma olanakları da dahil olmak üzere birçok ilginç kuantum durumunun kompakt bir temsilini üretebilir.
Yeni durum; sayısal simulasyonlarda bir araç olma potansiyelinin ötesinde, Deng ve ekibine de sinir ağları tarafından temsil edilen kuantum grupları hakkında bazı matematiksel olguları kanıtlamaya izin verdi.
Örneğin, sadece kısa menzilli etkileşimlere sahip sinir ağlarının, (her gizli nöronun, görünür nöronların küçük bir kümesine bağlı olduğu sinir ağları) toplam dolaşmalarında katı bir sınırı vardır. Bir Alan Yasası olarak bilinen bu teknik sonuç, birçok yoğunlaştırılmış madde fizikçisinin araştırdığı olgudur.
Yine de bu sinir ağları her şeyi yakalayamaz. Deng, “Onlar çok sınırlı bir rejim” diyor ve etkili bir evrensel temsil sunmadığını da sözlerine ekliyor.
Eğer öyleyse, fizikçiler ve bilgisayar bilimcileri bunun mümkün olmadığını düşünseler de; bir kuantum bilgisayarını sıradan bir bilgisayarla taklit etmek için kullanılabilir.
