兩名中國物理學家利用神經網路來描述量子態（附paper）‖ 重磅 [一點資訊]

△

兩層神經網路渲染的藝術效果。在頂部是一個真正的量子系統，像光學晶格中的原子。下面是一個隱藏的神經網路，捕獲他們的互動。

機器學習是推動人工智慧革命的助推器，鞏固了其在現代技術中的作用。其工具和技術已經影響到無人駕駛、語音識別甚至圍棋、遊戲等方面。

現在，物理學家們開始使用機器學習工具來解決不同類型的問題，一個是量子物理學的核心。在最近在Physical Review X發表的論文中，馬里蘭大學JQI和凝聚物理論中心（CMTC）的研究人員表明，某些神經網路 -將信息從節點傳遞到節點的神經網路，如腦中的神經元可以簡潔描述量子系統的廣泛範圍。

作為CMTC成員的JQI博士後研究員鄧東靈（Dongling Deng,該論文的第一作者）說，使用計算機研究量子系統的研究人員可能從神經網路提供的簡單描述中受益。鄧說：「如果我們要數字化解決一些量子問題，我們首先需要找到有效的表示。」

就紙面上來說更重要的是，使用計算機可以讓物理學家增加了許多表示量子系統的方法。通常，這些表示包括描述系統將以不同量子態發現的可能性的數字列表。但是隨著量子粒子數量的增長，數字描述的提取和預測就變得很困難了，而普遍的觀點是這種牽連 - 粒子之間的異乎尋常的量子連接 - 在阻礙簡單的表現中起關鍵作用。

鄧與他的合作者，CMTC主任，JQI研究員Sankar Das Sarma和復旦大學物理學家，前JQI博士後研究員李小鵬（Xiaopeng Li）一起使用的神經網路可以有效地呈現存在大量糾纏的量子系統，這是比以前的方法驚人的改進。

更重要的是，新的結果超越了純粹的表現。「這項研究是獨一無二的，因為它不僅僅是提供高度牽連的量子態的有效表示，」Das Sarma說。「這是一種新的解決棘手難題的互動式量子多體問題的方法，它使用機器學習工具來找出精確的解決方案。」

神經網路及其伴隨的學習技術，使AlphaGo成為擊敗世界冠軍柯潔的計算機程序。作為棋迷，鄧異常興奮。去年，人機大戰之時出現了一篇論文，介紹了使用神經網路來表示量子態的想法，儘管它並沒有表明工具的覆蓋範圍有多寬。

鄧說：「我們馬上認識到這應該是一個非常重要的論文，所以我們把所有的精力和時間都放在了更多的研究問題上。」

結果是對一些神經網路表示量子態的能力的一個更完整的描述。特別地，該團隊研究了使用兩個不同組神經元的神經網路。

被稱為可見神經元的第一組代表實際量子粒子，如光學晶格中的原子或鏈中的離子。為了解決粒子之間的相互作用，研究人員採用了第二組神經元 - 隱藏的神經元，它們與可見神經元相連。這些鏈接捕獲真實粒子之間的物理相互作用，只要連接數量保持相對較小，神經網路描述仍然很簡單。

為每個連接指定一個數字，並在數學上忘記隱藏的神經元可以產生許多有趣的量子狀態的緊湊表示，包括具有拓撲特徵的狀態和一些具有令人驚奇的牽連狀態。

除了作為數值模擬工具之外，新框架允許鄧與夥伴們證明一些關於神經網路所代表的量子態族的數學事實。例如，僅具有短距離相互作用的神經網路（其中每個隱藏的神經元僅連接到一小群可見神經元的神經網路）對它們的總糾纏具有嚴格的限制。

這個技術成果被稱為面積定律，是許多凝聚態物理學家的研究追求。

播放GIF

推薦閱讀：