Un outil d’apprentissage automatique trie les nuances des données quantiques

quantum

Crédit : CC0 Domaine public

Une équipe interdisciplinaire de chercheurs de Cornell et de l’Université Harvard a développé un outil d’apprentissage automatique pour analyser la matière quantique et faire des distinctions cruciales dans les données, une approche qui aidera les scientifiques à démêler les phénomènes les plus déroutants dans le domaine subatomique.

L’article du projet dirigé par Cornell, « Correlator Convolutional Neural Networks as an Interpretable Architecture for Image-like Quantum Matter Data », publié le 23 juin dans Communication Nature. L’auteur principal est le doctorant Cole Miles.

L’équipe Cornell était dirigée par Eun-Ah Kim, professeur de physique au College of Arts and Sciences, qui s’est associé à Kilian Weinberger, professeur agrégé d’informatique et de sciences de l’information au Cornell Ann S. Bowers College of Computing and Information Science et directeur du Centre TRIPODS pour la science des données pour une meilleure prise de décision.

La collaboration avec l’équipe de Harvard, dirigée par le professeur de physique Markus Greiner, fait partie de l’initiative des 10 grandes idées de la National Science Foundation, « Harnessing the Data Revolution ». Leur projet, « Recherche collaborative : comprendre les données sur la matière quantique à l’échelle subatomique à l’aide d’outils d’apprentissage automatique », cherche à répondre à des questions fondamentales aux frontières de la science et de l’ingénierie en associant des scientifiques des données à des chercheurs spécialisés dans les domaines traditionnels de la physique, de la chimie et de l’ingénierie.

L’objectif central du projet est de trouver des moyens d’extraire de nouvelles informations sur les systèmes quantiques à partir d’instantanés de données de type image. À cette fin, ils développent des outils d’apprentissage automatique capables d’identifier des relations entre les propriétés microscopiques des données qui seraient autrement impossibles à déterminer à cette échelle.

Les réseaux de neurones convolutifs, une sorte d’apprentissage automatique souvent utilisé pour analyser l’imagerie visuelle, scannent une image avec un filtre pour trouver des caractéristiques dans les données, quel que soit l’endroit où elles se produisent, une étape appelée « convolution ». La convolution est ensuite envoyée via des fonctions non linéaires qui permettent aux réseaux de neurones convolutifs d’apprendre toutes sortes de corrélations entre les caractéristiques.

Maintenant, le groupe Cornell a amélioré cette approche en créant une « architecture interprétable », appelée Correlation Convolutional Neural Networks (CCNN), qui permet aux chercheurs de suivre quelles corrélations particulières comptent le plus.

« Les réseaux de neurones convolutifs sont polyvalents », a déclaré Kim. « Cependant, la polyvalence qui vient de la non-linéarité rend difficile de comprendre comment le réseau de neurones a utilisé un filtre particulier pour prendre sa décision, car les fonctions non linéaires sont difficiles à suivre. C’est pourquoi la prévision météorologique est difficile. C’est un système très non linéaire. « 

Pour tester CCNN, l’équipe de Harvard a utilisé la microscopie quantique à gaz pour simuler un modèle fermionique de Hubbard, souvent utilisé pour démontrer comment les particules quantiques interagissent dans un réseau, ainsi que les nombreuses questions non résolues qui en résultent.

« La mécanique quantique est probabiliste, mais vous ne pouvez pas apprendre la probabilité à partir d’une mesure, vous devez répéter de nombreuses mesures », a déclaré Kim. « Du point de vue du chat de Schrödinger, nous avons toute une collection d’atomes, une collection de chats vivants ou morts. Et chaque fois que nous faisons une mesure projective, nous avons des chats morts et des chats vivants. Et à partir de là, nous essayons de comprendre dans quel état se trouve le système, et le système essaie de simuler des modèles fondamentaux qui détiennent des clés pour comprendre des phénomènes mystérieux, tels que la supraconductivité à haute température. »

L’équipe de Harvard a généré des données synthétiques pour deux états difficiles à distinguer : la théorie géométrique des cordes et la théorie du flux pi. Dans la théorie géométrique des cordes, le système frise un ordre antiferromagnétique, dans lequel les spins électroniques forment une sorte d’anti-alignement – c’est-à-dire haut, bas, haut, bas, haut, bas – qui est perturbé lorsqu’un trou d’électron commence à se déplacer. à une autre échelle de temps. Dans la théorie du flux pi, les spins forment des paires, appelées singulets, qui commencent à basculer et à s’effondrer lorsqu’un trou est introduit, ce qui entraîne un état brouillé.

CCNN a pu distinguer les deux simulations en identifiant des corrélations dans les données au quatrième ordre.

En répétant cet exercice, le CCNN apprend essentiellement quelles occurrences de l’image étaient essentielles pour que les réseaux de neurones prennent une décision – un processus que Kim compare aux choix faits par les personnes embarquant dans un canot de sauvetage.

« Vous savez quand un gros navire est sur le point de couler, et on dit aux gens, OK, vous ne pouvez apporter qu’un seul objet personnel », a déclaré Kim. « Cela montrera ce qu’il y a dans leur cœur. Cela pourrait être une alliance, cela pourrait être une poubelle. On ne sait jamais. Nous forçons le réseau de neurones à choisir une ou deux fonctionnalités qui l’aident le plus à trouver le bonne évaluation. Et ce faisant, nous pouvons déterminer quels sont les aspects critiques, l’essence même de ce qui définit un état ou une phase. « 

L’approche peut être appliquée à d’autres microscopies à sonde à balayage qui génèrent des données de type image sur des matériaux quantiques, ainsi qu’à des simulateurs quantiques programmables. La prochaine étape, selon Kim, consiste à incorporer une forme d’apprentissage automatique non supervisé qui peut offrir une perspective plus objective, moins influencée par les décisions des chercheurs qui choisissent les échantillons à comparer.

Kim considère que des chercheurs comme son étudiant et auteur principal Cole Miles représentent la prochaine génération qui associera encore plus ces approches de pointe et traditionnelles pour favoriser de nouvelles découvertes scientifiques.

« Les gens plus conservateurs sont sceptiques à l’égard des choses nouvelles et brillantes », a déclaré Kim. « Mais je pense que l’équilibre et la synergie entre le classique et le nouveau et brillant peuvent conduire à des progrès non triviaux et passionnants. Et je pense à notre article comme un exemple de cela. »


Quelle est la théorie quantique parfaite ?


Plus d’information:
Cole Miles et al, Correlator Convolutional Neural Networks comme architecture interprétable pour les données de matière quantique de type image, Communication Nature (2021). DOI : 10.1038/s41467-021-23952-w

Fourni par l’Université Cornell

Citation: L’outil d’apprentissage automatique trie les nuances des données quantiques (2021, 7 juillet) récupéré le 7 juillet 2021 sur https://techxplore.com/news/2021-07-machine-tool-nuances-quantum.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.