Квантовые вычисления.

       Источник изображения: D-Russia.ru

       Машинное обучение и искусственный интеллект способны обеспечить прорывы на множестве прикладных и научных направлений. Самыми интересными обещают оказаться успехи в области квантовой физики.

       Происходящее в квантовом мире сложно понять с позиции здравого смысла, но с точки зрения математики ничего необъяснимого там нет, хотя решать ？квантовые？ уравнения по-прежнему сложно. Новый подход обещает научить ИИ решать такие задачи намного быстрее.

       По понятным причинам для описания квантовых явлений математики и физики используют упрощённые модели. Но даже в таком случае приходится иметь дело с сотнями, тысячами и даже миллионами уравнений для описания процессов взаимодействия ограниченного количества частиц на уровне квантовой механики. Например, для визуализации модели взаимодействия двух электронов в узле кристаллической решётки требуется решить 100 тыс. уравнений — по одному на каждый пиксель визуализации. Это требует колоссальных вычислительных ресурсов. Но ИИ обещает справиться с такой задачей без лишних затрат.

       Международная группа итальянских и американских физиков и математиков смогла создать такую модель машинного обучения, которая свела решение задачи всего к четырём уравнениям на пиксель. Причём, без потери в точности. Правда, на обучение ИИ ушло две недели интенсивных вычислений, но результат себя оправдал. Более того, предложенная модель может использоваться для решения других задач применительно к задействованному математическому аппарату — методу ренормализационной группы, что расширит область применения предложенного инструмента физикой элементарных частиц (космологией) и нейронаукой.

       ？По сути, это машина, способная обнаружить скрытые закономерности, — сказал ведущий автор исследования Доменико Ди Санте (Domenico Di Sante). — Когда мы увидели результат, мы поняли, что это больше, чем мы ожидали. Мы действительно смогли уловить соответствующую физику？.

       Обычно метод ренормализационной группы оперирует множеством параметров и служит опорой для масштабирования процессов. Исследователи создали модель ИИ, которая на первом этапе создает связи в полноразмерной ренормализационной группе без упрощения, а затем таким образом модифицирует эти связи, чтобы свести все расчёты к небольшому набору уравнений с сохранением аналогичного результата. Конечный результат сохраняется, но пути движения к нему отличаются на множество порядков необходимой вычислительной мощности. Одна беда, учёные пока не понимают, как ИИ вычисляет пути оптимизации, но с этим они намерены разобраться в будущих исследованиях.