L’intelligenza artificiale riduce le problematiche della fisica quantistica
Se l’approccio dell’intelligenza artificiale può essere applicato a diversi scenari, potrebbe contribuire allo sviluppo di materiali con proprietà desiderabili, come la superconduttività o l’utilità per la generazione di energia pulita.
I fisici hanno utilizzato l‘intelligenza artificiale (AI) per ridurre un problema quantistico impegnativo ed enorme, che in precedenza richiedeva 100.000 equazioni, a uno sforzo gestibile di sole quattro equazioni, il tutto senza perdere in precisione.
In particolare, gli scienziati sono riusciti a catturare il moto degli elettroni che si muovono attraverso un reticolo quadrato in simulazioni che, finora, avevano richiesto centinaia di migliaia di equazioni individuali.
I risultati, pubblicati su Physical Review Letters, potrebbero cambiare il modo in cui gli scienziati analizzano i sistemi con più elettroni interagenti. Inoltre, se la tecnica è adattabile ad altre situazioni, potrebbe contribuire alla creazione di materiali con caratteristiche desiderabili, come la superconduttività o l’utilità per la generazione di energia pulita, spiega un comunicato stampa della Fondazione Simons.
Questa impresa computazionale potrebbe anche aiutare a risolvere uno dei problemi più difficili della fisica quantistica, il problema dei “molti elettroni”, che cerca di descrivere sistemi contenenti un gran numero di elettroni interagenti.
In questo modo, il modello funge anche da banco di prova per nuovi approcci prima di essere applicato a sistemi quantistici più sofisticati.
“Siamo partiti da un oggetto enorme con tutte queste equazioni differenziali accoppiate; poi abbiamo usato l’apprendimento automatico per renderlo così piccolo da poterlo contare sulle dita delle mani”, spiega l’autore principale dello studio, Domenico Di Sante, ricercatore in visita al Center for Computational Quantum Physics (CCQ) del Flatiron Institute di New York e professore assistente all’Università di Bologna, in Italia.
Elettroni entangled a livello quantistico
Il problema che si intende affrontare riguarda il comportamento degli elettroni quando si muovono in un reticolo reticolare. Quando due elettroni occupano lo stesso posto nel reticolo, interagiscono e questa disposizione, nota come modello di Hubbard, è un’idealizzazione di diverse importanti classi di materiali che permette agli scienziati di capire come il comportamento degli elettroni porti alle fasi della materia studiata, spiega il comunicato.
Questo è, ad esempio, il modello teorico degli stati che portano alla superconduttività, in cui gli elettroni fluiscono attraverso un materiale senza resistenza.
Il problema è che gli elettroni in questione sono impigliati l’uno con l’altro a livello quantistico e non possono quindi essere trattati singolarmente, tra l’altro. La presenza di più elettroni entangled fa sì che lo sforzo computazionale aumenti in modo esponenziale, dato che alla fine sono collegate centinaia di migliaia di equazioni, ognuna delle quali descrive le singole coppie. Tuttavia, il sistema di intelligenza artificiale a rete neurale applicato è riuscito a risolvere questo enorme sistema di equazioni.
L’intelligenza artificiale è in grado di rilevare modelli nascosti
L’addestramento dell’algoritmo ha richiesto molta potenza di calcolo e diverse settimane. Tuttavia, il sistema attuale è a un livello tale da potersi adattare ad altri problemi complessi senza dover ripartire da zero.
“È fondamentalmente una macchina in grado di rilevare schemi nascosti”, ha spiegato Di Sante. “Quando abbiamo visto il risultato, abbiamo detto: ‘Wow, è più di quanto ci aspettassimo’. Siamo stati davvero in grado di catturare la fisica rilevante”.
Ora, la più grande incognita è se il nuovo metodo funziona in sistemi quantistici più complicati, come i materiali in cui gli elettroni interagiscono su grandi distanze. Inoltre, Di Sante ritiene che ci sia un potenziale intrigante per impiegare l’intelligenza artificiale in altri domini che si occupano di gruppi di rinormalizzazione, come la cosmologia e le neuroscienze.
