a resolver el estado cuántico de muchas partículas a la vez...
Puede la IA soñar con el gato de Schrodinger?Art Box Images/Getty
Original por Jennifer Ouellette
El mismo tipo de inteligencia artificial que domino el antiguo juego del Go pudo ayudar a luchar con la sorprendente complejidad de los sistemas cuánticos que contienen miles de millones de partículas.
La red artificial neuronal del AlphaGo de Google hizo titulares el año pasado cuando le gano al campeón mundial de Go. Luego de esta hazaña maravillosa, Giuseppe Carleo del ETH en Zurich en Suiza, pensó que podría ser posible construir una maquina similar que utilizara las mismas herramientas para aprender a descifrar uno de los mas enredados problemas de la física cuántica.
Ahora, el ha construido una red neuronal – la cual podría convertirse en una revolución en el entendimiento de los sistemas cuánticos.
El juego de Go es bastante mas complejo que el ajedrez, debido al numero de posiciones posibles en el tablero de Go el cual podría exceder el numero de átomos del Universo. Esta es la razón por la cual un aproximación basada en la fuerza bruta para calcular, es imposible, lo cual si es posible en el ajedrez, y en el Go no funciona.
En este sentido, el Go asemeja un problema clásico de la física cuántica: como describir un sistema cuántico que consiste en muchos miles de millones de átomos, en el cual todos interaccionan entre si, según unas ecuaciones complicadas.
Mejoramiento de materiales
Incluso la materia ordinaria, tal y como un pedazo de oro o carbón, es un sistema cuántico, de modo que resolviendo este problema es crucial para entender los materiales en incluso diseñar nuevos materiales.
Pero las reglas extrañas de la mecánica cuántica significa que no podemos saber la localización precisa en cada punto en un momento dado. Muchas partículas cuánticas también tienen propiedades llamada “espín”, el cual puede ser hacia arriba o hacia abajo. El numero de estados basados en el espín que un grupo de solo 100 partículas podría existir es casi de un quintillón de 10 elevado a la 30.
La actual simulación para tal sistema, usando nuestros mas poderosos computadores, es 48 espines. Carleo estima que incluso si pudiéramos cambiar todo el planeta en un gigantesco disco duro, podríamos ser capaces aun solo de hacer estos cálculos para 100 espines.
Esta es la razón por la cual las redes artificiales neuronales pueden ser de gran ayuda. Dadas tales reglas de redes necesarias para el juego del Go y así darnos cuenta cual es la mejor estrategia para ganar el juego. Así quizás esta pudiera hacer lo mismo en los sistemas cuánticos.
Maquina de ensueños
“Las redes neuronales son muy buenas para generalizar, así ellas solo necesitan una pequeña cantidad de información para inferir mucho mas que esto,” dijo Carleo. Alimente una red neuronal con unos pocos situaciones de las usadas por Carleo, y esta pronto sera capaz de reconocer nuevas situaciones que nunca han sido “vistas” antes.
Para darle una valoración a la idea, Carleo y el coautor Mathias Troyer, quien ahora esta en Microsoft, construyendo una red neuronal simple diseñada para reconstruir una función de onda de un sistema cuántico multi-corporal, o un conjunto de probabilidades describiendo como todos los estados podrían ser arreglados. Ellos también calculan los estados mas bajos de energía o estado piso, un problema estándar de la física cuántica.
Ellos comprobaron unos pocos problemas de ejemplo, con soluciones conocidas y hallaron que este ejecutaba mejor que otras herramientas que habían aplicado a muchos sistemas multi-corporales. Hay suficientes pruebas de que el principio de la técnica promete. Construyendo mas complicadas y profundas redes neuronales este debería ser incluso mas efectivo.
“Es como tener una maquina aprendiendo como resolver la mecánica cuántica por ella misma,” declaro Carleo. “Quiero decir que tenemos una maquina de los sueños del gato de Schrodinger.”
“Esto es increíblemente chevere,” dijo Scott Aaronson de la Universidad de Texas en Austin. “Dado el éxito del aprendizaje profundo... en hermosa imaginables dominios de aplicaciones, es una idea natural tratar para la física cuántica de muchos cuerpos, pero de lo que sabemos es la primera vez que alguien lo hace. Espero ver mucho mas de esto en el futuro.”
Puede la IA soñar con el gato de Schrodinger?Art Box Images/Getty
Original por Jennifer Ouellette
El mismo tipo de inteligencia artificial que domino el antiguo juego del Go pudo ayudar a luchar con la sorprendente complejidad de los sistemas cuánticos que contienen miles de millones de partículas.
La red artificial neuronal del AlphaGo de Google hizo titulares el año pasado cuando le gano al campeón mundial de Go. Luego de esta hazaña maravillosa, Giuseppe Carleo del ETH en Zurich en Suiza, pensó que podría ser posible construir una maquina similar que utilizara las mismas herramientas para aprender a descifrar uno de los mas enredados problemas de la física cuántica.
Ahora, el ha construido una red neuronal – la cual podría convertirse en una revolución en el entendimiento de los sistemas cuánticos.
El juego de Go es bastante mas complejo que el ajedrez, debido al numero de posiciones posibles en el tablero de Go el cual podría exceder el numero de átomos del Universo. Esta es la razón por la cual un aproximación basada en la fuerza bruta para calcular, es imposible, lo cual si es posible en el ajedrez, y en el Go no funciona.
En este sentido, el Go asemeja un problema clásico de la física cuántica: como describir un sistema cuántico que consiste en muchos miles de millones de átomos, en el cual todos interaccionan entre si, según unas ecuaciones complicadas.
Mejoramiento de materiales
Incluso la materia ordinaria, tal y como un pedazo de oro o carbón, es un sistema cuántico, de modo que resolviendo este problema es crucial para entender los materiales en incluso diseñar nuevos materiales.
Pero las reglas extrañas de la mecánica cuántica significa que no podemos saber la localización precisa en cada punto en un momento dado. Muchas partículas cuánticas también tienen propiedades llamada “espín”, el cual puede ser hacia arriba o hacia abajo. El numero de estados basados en el espín que un grupo de solo 100 partículas podría existir es casi de un quintillón de 10 elevado a la 30.
La actual simulación para tal sistema, usando nuestros mas poderosos computadores, es 48 espines. Carleo estima que incluso si pudiéramos cambiar todo el planeta en un gigantesco disco duro, podríamos ser capaces aun solo de hacer estos cálculos para 100 espines.
Esta es la razón por la cual las redes artificiales neuronales pueden ser de gran ayuda. Dadas tales reglas de redes necesarias para el juego del Go y así darnos cuenta cual es la mejor estrategia para ganar el juego. Así quizás esta pudiera hacer lo mismo en los sistemas cuánticos.
Maquina de ensueños
“Las redes neuronales son muy buenas para generalizar, así ellas solo necesitan una pequeña cantidad de información para inferir mucho mas que esto,” dijo Carleo. Alimente una red neuronal con unos pocos situaciones de las usadas por Carleo, y esta pronto sera capaz de reconocer nuevas situaciones que nunca han sido “vistas” antes.
Para darle una valoración a la idea, Carleo y el coautor Mathias Troyer, quien ahora esta en Microsoft, construyendo una red neuronal simple diseñada para reconstruir una función de onda de un sistema cuántico multi-corporal, o un conjunto de probabilidades describiendo como todos los estados podrían ser arreglados. Ellos también calculan los estados mas bajos de energía o estado piso, un problema estándar de la física cuántica.
Ellos comprobaron unos pocos problemas de ejemplo, con soluciones conocidas y hallaron que este ejecutaba mejor que otras herramientas que habían aplicado a muchos sistemas multi-corporales. Hay suficientes pruebas de que el principio de la técnica promete. Construyendo mas complicadas y profundas redes neuronales este debería ser incluso mas efectivo.
“Es como tener una maquina aprendiendo como resolver la mecánica cuántica por ella misma,” declaro Carleo. “Quiero decir que tenemos una maquina de los sueños del gato de Schrodinger.”
“Esto es increíblemente chevere,” dijo Scott Aaronson de la Universidad de Texas en Austin. “Dado el éxito del aprendizaje profundo... en hermosa imaginables dominios de aplicaciones, es una idea natural tratar para la física cuántica de muchos cuerpos, pero de lo que sabemos es la primera vez que alguien lo hace. Espero ver mucho mas de esto en el futuro.”