O casamento dos dois campos IA e FÍSICA QUÂNTICA

O casamento dos dois campos pode dar origem a uma nova fronteira de pesquisa que poderia transformar ambos.

O aprendizado de máquina é um campo da ciência da computação que busca construir computadores capazes de descobrir informações significativas e fazer previsões sobre os dados. É o núcleo da inteligência artificial (IA) e tem impulsionado muitos aspectos das tecnologias modernas, desde o reconhecimento facial e processamento de linguagem natural até carros automáticos autônomos.

Ocampo está crescendo rapidamente e suas aplicações se tornaram onipresentes.1 O serviço on-line do Google Tradutor usa aprendizado de máquina para converter caracteres chineses em texto em inglês sem intervenção humana. Técnicas de aprendizado de máquina foram usadas recentemente para construir AlphaGo, 2 um robô que derrotou os melhores jogadores do mundo em Go, um antigo jogo de tabuleiro; os desenvolvedores consideraram dominar o jogo como a maior conquista de inteligência artificial. Até que a AlphaGo demonstrasse suas proezas, o jogo era amplamente considerado intrincado demais para as máquinas se destacarem por causa do grande número de movimentos possíveis.

Um dos maiores problemas enfrentados pelo aprendizado de máquina é a chamada maldição de dimensionalidade - em geral, o número de conjuntos de dados de treinamento necessários para que a máquina aprenda as informações desejadas é exponencial na dimensão d. Se um conjunto de dados estiver em um espaço de alta dimensão, ele rapidamente se torna computacionalmente incontrolável. Essa complexidade é semelhante à mecânica quântica, para a qual uma quantidade exponencial de informações geralmente também é necessária para descrever completamente um estado quântico de muitos corpos.

Apesar de suas complexidades, a teoria quântica é indiscutivelmente a teoria quantitativa mais bem-sucedida da natureza. Não só fornece a base para a compreensão da física em todas as escalas de comprimento, de partículas elementares como elétrons e quarks a objetos gigantescos como estrelas e galáxias, mas também estabelece as bases para tecnologias modernas que vão desde lasers e transistores a ressonadores magnéticos nucleares e até computadores quânticos Dado os grandes sucessos da aprendizagem de máquina e da física quântica, pode-se perguntar: Será que esses dois campos, aparentemente não relacionados, mas intimamente conectados, podem se fundir de maneira sinérgica e transparente?

Parece ficção científica, mas essa fusão está acontecendo agora e pode levar a avanços atualmente inimagináveis ​​em ambos os campos. O aprendizado de máquina progrediu dramaticamente nas últimas duas décadas, e muitos problemas que eram extremamente desafiadores ou até mesmo inacessíveis para o aprendizado automatizado foram resolvidos. Esses sucessos criam novas possibilidades para aprendizado de máquina para resolver problemas em aberto na física quântica.

Enquanto isso, a ideia de processamento de informação quântica revolucionou teorias e implementações de computação. Novos algoritmos quânticos podem oferecer perspectivas tentadoras para melhorar a aprendizagem de máquina em si. A interação entre aprendizado de máquina e física quântica, sem dúvida, beneficiará ambos os campos.

DESCOBRINDO FASES DA MATÉRIA

Ao aplicar o aprendizado de máquina a problemas de física, uma estratégia simples é usar o aprendizado supervisionado, no qual um algoritmo é treinado com dados previamente rotulados; O objetivo do algoritmo é pegar essas informações e estabelecer uma regra geral para atribuir rótulos aos dados fora do conjunto de treinamento. Por exemplo, ao identificar imagens de cães e gatos, um algoritmo de aprendizado supervisionado precisará de milhares de imagens marcadas como "cão" ou "gato" e determinará uma relação entre os valores de pixel das imagens e seus rótulos. Em seguida, ele atribui esses rótulos às imagens que ele não viu antes.

A mesma técnica de aprendizagem supervisionada pode ser usada para identificar fases distintas da matéria e as transições entre elas, um dos problemas centrais da física da matéria condensada. Juan Carrasquilla e Roger Melko foram os primeiros a explorar essa ideia em seu estudo do modelo ferromagnético de Ising, que apresenta spins atômicos discretos dispostos em uma rede.4 Os spins exibem uma fase paramagnética desordenada em altas temperaturas e uma fase ferromagnética ordenada a baixas temperaturas e ocorre uma transição de fase entre os dois em alguma temperatura crítica Tc.

Em vez de classificar cães e gatos, Carrasquilla e Melko usaram configurações de spin de equilíbrio amostradas de simulações de Monte Carlo para treinar o algoritmo para identificar estados paramagnéticos e ferromagnéticos. Eles demonstraram que, após o treinamento com as amostras rotuladas, o algoritmo poderia atribuir corretamente os rótulos a novas amostras. Além disso, ao varrer uma gama de temperaturas, localizou Tc e descobriu os expoentes críticos que são cruciais para o estudo das transições de fase.

A aprendizagem supervisionada exige que os usuários saibam a priori como seus dados devem ser categorizados. Como alternativa, o aprendizado não supervisionado usa dados de treinamento não rotulados e permite que a rede encontre padrões e estruturas significativos neles. Um exemplo comum de aprendizado não supervisionado é o agrupamento, no qual os dados de treinamento são divididos em vários grupos com base nas semelhanças identificadas e esses grupos são usados ​​para categorizar novos dados, nunca vistos antes.