Questi computer imparano la fisica quantistica da soli

L'anno scorso, l'IA DeepMind di Google ha battuto Lee Sedol a Go, un gioco di strategia analogo agli scacchi ma molto più complesso. La vittoria è stata un notevole passo in avanti nel campo dell'intelligenza artificiale, ciò ha condotto Roger Melko, fisico presso il Perimeter Institute for Theoretical Physics a riflettere su come le reti neurali — un'applicazione dell'intelligenza artificiale modellata su riferimento del cervello umano —  potrebbero essere utilizzate per risolvere alcuni dei problemi più complessi della fisica quantistica. Anzi, potrebbero rivelarsi indispensabili allo scopo.

"La fisica quantistica è molto complessa dal punto di vista matematico. Un grosso problema nello studio dei sistemi quantistici è capire come affrontare questa complessità [senza avvalersi del machine learning]," mi ha spiegato Melko.

"La vittoria di DeepMind a Go ci ha in qualche modo ispirato. Go è un gioco molto complicato, ma è possibile trovarvi una soluzione grazie al machine learning," ha continuato lo scienziato. "Così abbiamo pensato, perché non utilizzare soluzioni simili per affrontare la complessità dei problemi della fisica quantistica?"

A titolo di esempio, Melko cita il proprio lavoro che si concentra sulla fisica della materia condensata — fondamentalmente, la scienza delle interazioni tra particelle quantistiche in vari solidi o liquidi. Come ha scritto Melko in un recente articolo per Quartz, la Fisica della Materia Condensata" si occupa del concetto più complesso in natura: la funzione d'onda quantistica di un sistema multi particellare." La funzione d'onda quantistica di una particella descrive matematicamente tutti i suoi possibili stati, o come ha descritto Melko, è "l'infinitamente complessa… realtà della particella."

"Se da un lato "infinitamente complessa" sembra un'esagerazione, stando a Melko, solo realizzare il modello della funzione d'onda di un granello di polvere su scala nanometrica richiederebbe un computer con un hard drive dotato di più bit magnetici di quanti atomi ci sono nell'universo. E se pensate di poter calcolare le funzioni d'onda di più particelle di polvere contemporaneamente con un computer classico, ripensateci.

Melko e gli altri pionieri nel campo del machine learning quantistico si sono chiesti se le reti neurali potessero svolgere compiti che superano le performance degli algoritmi che non sfruttano il machine learning, come modellare la funzione d'onda di un sistema multi-particellare — e non hanno dovuto aspettare a lungo per ottenere una risposta.

Secondo uno studio pubblicato su Science, due fisici che hanno lavorato indipendentemente da Melko hanno creato una rete neurale relativamente semplice in grado di ricostruire la funzione d'onda di un sistema multi-particellare in maniera più efficiente di qualsiasi tecnica precedente che non sfruttava l'apprendimento automatico. Come ha spiegato a New Scientist Giuseppe Carleo, fisico del Politecnico di Zurigo e co-autore dello studio, "È come una macchina che impara a risolvere i problemi della meccanica quantistica, tutta da sola."

Ora che Carleo e il suo collega hanno il prototipo, sperano di sviluppare delle reti neurali più robuste in grado di gestire problemi ancora più complessi. Anche questo è un'ottima notizia per Melko che ha scommesso sui benefici del machine learning quantistico e creato una rete neurale capace di identificare le transizioni di fase nei sistemi di materia condensata.

"La materia condensata presenta una propria serie di problemi specifici che non riusciamo risolvere," ha spiegato Melko. "Così abbiamo applicato il machine learning ai problemi standard della fisica della materia condensata di cui conoscevamo già le soluzioni per capire come le reti neurali gestiscano i livelli elevati di complessità che li caratterizzano."

Come specificato in un paper pubblicato su Nature Physics, la rete neurale di Melko è solo una versione leggermente modificata di un software di intelligenza artificiale utilizzato per identificare i numeri scritti dagli esseri umani. Sorprendentemente, questo algoritmo di apprendimento automatico relativamente semplice è stato in grado di comprendere diverse fasi della materia in un sistema quantistico, necessitando di pochissimi aggiustamenti. Dopo aver fatto lavorare l'algoritmo su alcuni problemi standard della fisica della materia condensata,Melko ha aumentato il livello di complessità dei problemi dati in pasto all'algoritmo per vedere fino a che punto si poteva spingere.

"Non possiamo descrivere matematicamente la funzione d'onda in modo completo, è troppo complessa," ha spiegato Melko." Ma studiando come rispondono gli algoritmi a problemi riguardanti la materia condensata di varia complessità, possiamo capire come funzionano questi algoritmi. Ecco in cosa consiste il campo del machine learning quantistico: capire se il machine learning può aiutarci in qualche modo fondamentale a risolvere questi problemi quantistici. "

Tanto gli studi di Melko quanto quelli di Carleo sembrano di buon auspicio per il futuro dell'apprendimento automatico quantistico. Come dimostrato da una conferenza in materia ospitata lo scorso anno dal Perimeter Institute, esiste un certo interesse per l'applicazione del machine learning alla fisica quantistica — alla conferenza hanno partecipato studiosi di rilevo nell'ambito della fisica quantistica e dell'intelligenza artificiale, così come ricercatori provenienti da aziende come Google e Intel.

"Prima di quella conferenza non avevamo mai pensato di applicare l'apprendimento automatico a questi problemi," ha detto Melko. "Ma ora le persone hanno familiarizzato con l'idea di usare le reti neurali per creare delle rappresentazioni efficienti dei sistemi quantistici. Si tratta di un settore appena nato."

Inoltre, i progressi nel machine learning possono condurre benissimo ad altrettanti progressi nella computazione quantistica. Anche se siamo ancora lontani anni dalla costruzione del primo computer quantistico su larga scala, la potenza di calcolo di un tale dispositivo potrebbe  rivoluzionare il machine learning, migliorando a sua volta la nostra comprensione dei sistemi quantistici.

Nel frattempo, il machine learning potrebbe fornire una comprensione approfondita dei problemi legati alla fisica quantistica che potrebbero accelerare drasticamente il tasso con cui vengono sviluppate le tecnologie correlate.

"L'obiettivo finale di questo tipo di apprendimento automatico è aiutare il processo di produzione scientifica e industriale di un computer quantistico," ha detto Melko. "Siamo nelle fasi iniziali, perché non disponiamo dell'hardware necessario, ma in futuro, con  l'hardware del computer quantistico, potenzialmente si potrebbero risolvere una serie di problemi molto complessi. È affascinante: stiamo fondamentalmente effettuando il bootstrap di noi stessi in questo mondo di computazione quantistica."