


Ein Quantenproblem, für dessen Lösung 100.000 Gleichungen erforderlich waren, wurde von der KI ohne Einbußen bei der Genauigkeit auf nur vier komprimiert.
Wechselwirkende Elektronen zeigen bei unterschiedlichen Energien und Temperaturen eine Vielzahl einzigartiger Phänomene. Wenn wir ihre Umgebung ändern, zeigen sie neue kollektive Verhaltensweisen, wie z. B. Spin, Paarungsschwankungen usw. Beim Umgang mit Elektronen gibt es jedoch immer noch viele Schwierigkeiten in diesen Phänomenen. Viele Forscher verwenden die Renormalization Group (RG), um dieses Problem zu lösen.
Im Kontext hochdimensionaler Daten hat das Aufkommen der Technologie des maschinellen Lernens (ML) und datengesteuerter Methoden großes Interesse bei Forschern der Quantenphysik geweckt. Bisher wurden ML-Ideen in der Interaktion von Elektronik eingesetzt Systeme.
In diesem Artikel komprimieren Physiker der Universität Bologna und anderer Institutionen mithilfe künstlicher Intelligenz ein Quantenproblem, für das bisher 100.000 Gleichungen erforderlich waren, in eine kleine Aufgabe mit nur 4 Gleichungen, die alle ohne Einbußen bei der Genauigkeit abgeschlossen werden. Die Forschung wurde kürzlich in Physical Review Letters veröffentlicht.
Papieradresse: https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.129.136402
Domenico Di Sante, der Erstautor der Studie und Assistenzprofessor am Die Universität Bologna sagte: „Wir haben dieses riesige Projekt zusammengeführt und dann maschinelles Lernen genutzt, um es in Aufgaben zu verdichten, die man an einem Finger abzählen kann.“
Diese Studie beschäftigt sich mit der Frage, wie sich Elektronen verhalten, wenn sie sich über ein gitterartiges Kristallgitter bewegen. Wenn sich zwei Elektronen im selben Gitter befinden, kommt es nach bisheriger Erfahrung zu Wechselwirkungen. Dieses als Hubbard-Modell bekannte Phänomen ist ein idealisierter Aufbau einiger Materialien, der es Wissenschaftlern ermöglicht zu verstehen, wie das Elektronenverhalten Phasen der Materie erzeugt, beispielsweise die Supraleitung, in denen Elektronen ohne Widerstand durch das Material fließen. Das Modell kann auch als Testgelände für neue Methoden dienen, bevor sie auf komplexere Quantensysteme angewendet werden.
Schematische Darstellung des zweidimensionalen Hubbard-Modells
Das Hubbard-Modell scheint einfach, aber selbst die Verwendung modernster Rechenmethoden zur Verarbeitung einer kleinen Anzahl von Elektronen erfordert eine leistungsstarke Rechenleistung. Denn wenn Elektronen interagieren, verschränken sie sich quantenmechanisch: Selbst wenn die Elektronen im Gitter weit voneinander entfernt sind, können die beiden Elektronen nicht unabhängig voneinander behandelt werden, sodass Physiker sich mit allen gleichzeitig befassen müssen, anstatt mit einem einzigen zu arbeiten Elektron nach dem anderen. Je mehr Elektronen vorhanden sind, desto größer ist die quantenmechanische Verschränkung und der Rechenaufwand nimmt exponentiell zu.
Eine gängige Methode zur Untersuchung von Quantensystemen ist die Renormierungsgruppe. Als mathematisches Gerät verwenden Physiker es, um das Verhalten eines Systems zu beobachten, beispielsweise das Hubbard-Modell. Leider zeichnet eine Renormierungsgruppe alle möglichen Kopplungen zwischen Elektronen auf, die Tausende, Hunderttausende oder sogar Millionen unabhängiger Gleichungen enthalten können, die gelöst werden müssen. Darüber hinaus sind die Gleichungen komplex: Jede Gleichung repräsentiert ein Paar wechselwirkender Elektronen.
Das Di Sante-Team wollte wissen, ob es ein maschinelles Lerntool namens neuronales Netzwerk verwenden könnte, um Renormierungsgruppen besser handhabbar zu machen.
Bei neuronalen Netzen verwenden die Forscher zunächst Verfahren des maschinellen Lernens, um Verbindungen zur Renormierungsgruppe in voller Größe herzustellen. Anschließend passt das neuronale Netzwerk die Stärke dieser Verbindungen an, bis es einen kleinen Satz von Gleichungen findet, die generiert werden der gleiche Gleichungssatz wie das Original, die gleiche Lösung für sehr große Renormierungsgruppen. Am Ende haben wir vier Gleichungen, und obwohl es nur vier sind, spiegelt die Ausgabe des Programms die Physik von Hubbards Modell wider.
Di Sante sagte: „Ein neuronales Netzwerk ist im Wesentlichen eine Maschine, die verborgene Muster entdecken kann, und dieses Ergebnis hat unsere Erwartungen übertroffen.“ mehrere Wochen bis zur Fertigstellung. Die gute Nachricht ist, dass ihr Programm jetzt läuft und mit ein paar Optimierungen andere Probleme lösen kann, ohne bei Null anfangen zu müssen.
Als er über zukünftige Forschungsrichtungen sprach, sagte Di Sante, dass es notwendig sei, zu überprüfen, wie effektiv die neue Methode bei komplexeren Quantensystemen sei. Darüber hinaus gibt es laut Di Sante große Möglichkeiten, die Technik in anderen Bereichen in Bezug auf Renormierungsgruppen wie der Kosmologie und den Neurowissenschaften einzusetzen.
Papierübersicht
Wir führen eine datengesteuerte Dimensionsreduktion an einer skalenabhängigen Vier-Scheitelpunkt-Funktion durch, die die Fließeigenschaften der funktionellen Renormierungsgruppe (fRG) des vielfach untersuchten zweidimensionalen t-t'-Hubbard-Modells für quadratische Kristalle beschreibt. Sie zeigen, dass eine Deep-Learning-Architektur, die auf einem neuronalen regulären Differentialgleichungslöser (NODE) in einem niedrigdimensionalen latenten Raum basiert, die fRG-Dynamik, die verschiedene magnetische und d-Wellen-Supraleitungszustände des Hubbard-Modells beschreibt, effizient lernen kann.
Die Forscher schlugen außerdem eine Analyse der dynamischen Modenzerlegung vor, die bestätigen kann, dass einige wenige Moden tatsächlich ausreichen, um die fRG-Dynamik zu erfassen. Die Forschung zeigt die Möglichkeit, mithilfe künstlicher Intelligenz kompakte Darstellungen relevanter Elektronen-Vier-Scheitelpunkt-Funktionen zu extrahieren. Dies ist das wichtigste Ziel für die erfolgreiche Implementierung modernster Methoden der Quantenfeldtheorie und die Lösung von Vielelektronenproblemen. Das Grundobjekt in
fRG ist die Scheitelpunktfunktion V(k_1, k_2, k_3), die im Prinzip als Funktion berechnet und gespeichert werden muss, die aus drei kontinuierlichen Impulsvariablen besteht. Durch die Untersuchung spezifischer theoretischer Muster wird angenommen, dass das zweidimensionale Hubbard-Modell für Kuprate und eine Vielzahl organischer Leiter relevant ist. Wir zeigen, dass niedrigerdimensionale Darstellungen den fRG-Fluss hochdimensionaler Scheitelpunktfunktionen erfassen können.
Der fRG-Grundzustand des Hubbard-Modells. Der vom Forscher berücksichtigte mikroskopische Hamiltonoperator ist in der folgenden Formel (1) dargestellt. Die 2-Teilchen-Eigenschaften des
Hubbard-Modells werden durch ein Einschleifen-fRG-Schema des Temperaturflusses untersucht, wobei der RG-Fluss von in der folgenden Gleichung (2) dargestellt ist.
Abbildung 1 a) unten ist eine grafische Darstellung der Ein-Ring-fRG-Flussgleichung der 2-Teilchen-Scheitelpunktfunktion V^Λ.
Als nächstes schauen wir uns Deep Learning fRG an. Wie in Abbildung 2 b) unten gezeigt, stellten die Forscher durch die Untersuchung der -Kopplung der 2-Teilchen-Scheitelpunktfunktion vor der Tendenz des fRG-Flusses zu starker Kopplung und der Ein-Ring-Näherungszerlegung fest, dass viele von ihnen entweder im bleiben Randzustand oder wird nicht relevant.
Die Forscher implementieren ein flexibles Schema zur Dimensionsreduktion, das auf der parametrisierten NODE-Architektur basiert und für aktuelle hochdimensionale Probleme geeignet ist. Diese Methode ist in Abbildung 2 a) unten dargestellt und konzentriert sich auf tiefe neuronale Netze.
Abbildung 3 unten zeigt drei statistisch hochkorrelierte latente Raumdarstellungen z als gelernte Merkmale des neuronalen Netzwerks NODE während der fRG-Dynamik des latenten Raums.
Weitere Einzelheiten finden Sie im Originalpapier.
Das obige ist der detaillierte Inhalt vonEin Quantenproblem, für dessen Lösung 100.000 Gleichungen erforderlich waren, wurde von der KI ohne Einbußen bei der Genauigkeit auf nur vier komprimiert.. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Nach vier Monaten wurde im internationalen Top-Journal Nature Communications eine weitere Gemeinschaftsarbeit zwischen ByteDance Research und Chen Jis Forschungsgruppe an der School of Physics der Peking-Universität veröffentlicht: der Artikel „Towards the Ground State of Moleculars Via Diffusion Monte Carlo Neural Networks“. Kombiniert neuronale Netze mit Diffusions-Monte-Carlo-Methoden und verbessert so die Anwendung neuronaler Netzmethoden in der Quantenchemie erheblich. Die Berechnungsgenauigkeit, Effizienz und Systemskala für verwandte Aufgaben sind zum neuesten SOTA geworden. Papierlink: https://www.nature.com

Obwohl es maschinelles Lernen schon seit den 1950er Jahren gibt, ist es mit der zunehmenden Leistungsfähigkeit von Computern und der explosionsartigen Verbreitung von Daten weit verbreitet, wie Menschen künstliche Intelligenz nutzen können, um sich einen Wettbewerbsvorteil zu verschaffen, Erkenntnisse zu verbessern und Gewinne zu steigern. Für unterschiedliche Anwendungsszenarien bieten maschinelles Lernen und Differentialgleichungen ein breites Spektrum an Szenarien. Jeder hat bereits maschinelles Lernen genutzt, insbesondere Deep Learning auf Basis neuronaler Netze. ChatGPT ist sehr beliebt. Müssen Sie Differentialgleichungen noch im Detail verstehen? Egal wie die Antwort lautet, es wird einen Vergleich zwischen beiden erfordern. Was ist also der Unterschied zwischen maschinellem Lernen und Differentialgleichungen? Beginnen wir mit den Differentialgleichungen des Liebesmodells. Diese beiden Gleichungen sagen die Langlebigkeit einer Paarbeziehung voraus, basierend auf dem Psychologen John Got

Am 23. Juni gab das australische Quantencomputerunternehmen SQC (Silicon Quantum Computing) die Einführung des weltweit ersten integrierten Quantenschaltkreises bekannt. Hierbei handelt es sich um einen Schaltkreis, der alle Grundkomponenten eines klassischen Computerchips enthält, jedoch auf Quantenskala. Das SQC-Team nutzte diesen Quantenprozessor, um den Quantenzustand eines organischen Polyacetylenmoleküls genau zu simulieren – und demonstrierte damit letztendlich die Wirksamkeit der neuen Quantensystemmodellierungstechnik. „Das ist ein großer Durchbruch“, sagte SQC-Gründerin Michelle Simmons. Heutige klassische Computer haben aufgrund der Vielzahl möglicher Wechselwirkungen zwischen Atomen Schwierigkeiten, selbst relativ kleine Moleküle zu simulieren. Die Entwicklung der SQC-Schaltungstechnologie auf atomarer Ebene wird

Quantencomputing ist derzeit einer der spannendsten (und gehyptesten) Forschungsbereiche. In dieser Hinsicht hat das deutsch-australische Startup Quantum Brilliance kürzlich Großes geleistet. Der weltweit erste auf Diamanten basierende Raumtemperatur-Quantencomputer wurde erfolgreich im abgelegenen Ozeanien installiert! Der weltweit erste kommerzielle Quantencomputer bei Raumtemperatur. Einfach ausgedrückt: Der Quantencomputer von Quantum Brilliance benötigt keinen absoluten Nullpunkt oder ein komplexes Lasersystem. Warum lohnt es sich also, über die Raumtemperatur zu reden? Die Grundidee eines Quantencomputersystems besteht darin, dass Qubits in einem Zustand sein können, der nicht nur eine „1“ oder eine „0“ ist, sondern etwas, das als „Überlagerung“ bezeichnet wird.

Unter Quantenverschränkung versteht man ein spezielles Kopplungsphänomen, das zwischen Teilchen auftritt. Im verschränkten Zustand können wir nicht die Eigenschaften jedes einzelnen Teilchens beschreiben, sondern nur das Phänomen der Eigenschaften des Gesamtsystems. Dieser Einfluss verschwindet nicht mit der Änderung des Abstands, selbst wenn die Teilchen durch das gesamte Universum getrennt sind . Eine neue Studie zeigt, dass Sensoren mithilfe von Quantenverschränkungsmechanismen Bewegungen genauer und schneller erkennen können. Wissenschaftler glauben, dass die Erkenntnisse dazu beitragen könnten, Navigationssysteme zu entwickeln, die nicht auf GPS basieren. In einer neuen Studie, die von der University of Arizona und anderen Institutionen in Nature Photonics eingereicht wurde, untersuchten Forscher den optomechanischen Sensor (optomechanischer Sensor).

Laut Nachrichten dieser Website vom 25. April gab NVIDIA kürzlich bekannt, dass es mit dem japanischen Institute of Advanced Industrial Science and Technology (AIST) zusammenarbeitet, um einen Supercomputer namens „ABCI-Q“ zu bauen, der traditionelle Supercomputer und Quantencomputer integrieren wird, um einen Supercomputer zu schaffen Hybrid-Cloud-System. Da Nvidia sagt, dass allein laufende Quantenrechner immer noch viele Fehler machen, müssen Supercomputer dabei helfen, Fehler zu beheben und komplexe Berechnungen reibungsloser zu gestalten. Die Fähigkeit von ABCI-Q+%, komplexe Hochgeschwindigkeitsberechnungen durchzuführen, wird Forschungs- und Unternehmensanwendungen in den Bereichen künstliche Intelligenz, Energie und Biotechnologie unterstützen, beispielsweise die Verbesserung der Effizienz der Entwicklung neuer Medikamente und der Logistik. Die Website erfuhr aus Berichten, dass im ABCI-Q+ mehr als 2.000 Nvidia H100TensorCore-GPUs eingebaut sind und dies auch der Fall ist

Der ACM-Gordon-Bell-Preis wurde 1987 ins Leben gerufen und von der American Computer Society verliehen. Er ist in der Welt des Supercomputings als „Nobelpreis“ bekannt. Der Preis wird jährlich verliehen, um herausragende Leistungen im Hochleistungsrechnen zu würdigen. Der Preis in Höhe von 10.000 US-Dollar wird von Gordon Bell gestiftet, einem Pionier auf dem Gebiet des Hochleistungs- und Parallelrechnens. Kürzlich wurde auf der globalen Supercomputing-Konferenz SC23 der ACM-Gordon-Bell-Preis 2023 an ein internationales Team von acht Forschern aus den Vereinigten Staaten und Indien verliehen, die eine groß angelegte Quantenpräzisions-Materialsimulation durchgeführt haben. Das zugehörige Projekt trägt den Titel „Großräumige Materialmodellierung mit Quantenpräzision: Ab-initio-Simulationen von Quasikristallen und wechselwirkungsausbreitenden Defekten in Metalllegierungen.“ Teammitglieder haben unterschiedliche Hintergründe und das sind sie auch

Als Menschen, die in einer dreidimensionalen Welt leben, scheinen wir alle über eine Frage nachgedacht zu haben: Sind Zeitreisen möglich? Im Jahr 1916 schlug der österreichische Physiker Ludwig Flamm erstmals das Konzept des „Wurmlochs“ vor. In den 1930er Jahren stellten Einstein und Nathan Rosen bei der Untersuchung der Gravitationsfeldgleichungen die Hypothese auf, dass Schwarze Löcher und Weiße Löcher durch Wurmlöcher verbunden sind „Einstein-Rosen-Brücke“. „Wurmlöcher“ gelten als mögliche „Abkürzungen“ im Universum, durch die Objekte augenblicklich Zeit und Raum übertragen können. Allerdings konnten Wissenschaftler die objektive Existenz von Wurmlöchern nicht bestätigen. Jetzt haben Wissenschaftler das allererste Wurmloch geschaffen und der Forschungsbericht befindet sich auf dem Cover von Nature
