Шок-контент: учёные приблизились к решению одной из главных задач квантовой физики с помощью нейросети
Я прочитала несколько дней назад новость, что ИИ помог исследователям рассчитать движение электронов по квадратной решётке. Причем сетка сделала это с помощью всего четырёх уравнений. Я не физик, поэтому решила разобрать новость с одним из научных сотрудников физфака МГУ, имя не назову. Дальше будет длиннопост, потерпите.
Так вот, раньше для этой задачи требовались сотни тысяч уравнений — по одной на каждый пиксель визуализации! Разложим теперь всё по полочкам.
🤝 Взаимодействие движущихся по решётке электронов — это чуть ли не основная проблема для физиков. Это связано с тем, что даже находящиеся далеко друг от друга (в разных узлах решётки) элементарные частицы могут взаимодействовать. Поэтому их нельзя рассматривать по отдельности — нужно смотреть на всю картину целиком. А в зависимости от количества участвующих электронов, эта картина может невероятно усложняться.
🎓 Один из способов изучения квантовой системы — метод ренормализационной группы. Физики используют этот математический аппарат, чтобы посмотреть, как электроны ведут себя при разных условиях (например, если изменить температуру). Но этот метод может содержать сотни тысяч отдельных уравнений для отслеживания всех возможных связей между этими частицами.
🤖 Для упрощения задачи учёные разработали нейросеть. Сначала она воспроизводит соединения в полноразмерной ренормализационной группе. Затем алгоритм ищет небольшой набор уравнений, которые генерируют то же самое решение, что и «оригинальная» группа с сотнями тысяч. В некоторых случаях хватало всего четырёх уравнений, причём вообще без ущерба для точности.
Обучение нейронки заняло несколько недель. Зато теперь её можно адаптировать для работы над другими проблемами конденсированных сред. Возможно, такой подход к решению огромного числа уравнений поможет при решении аналогичных задач, например, в космологии, нейробиологии и т.д.
⚛️ Но главный плюс метода — потенциальная возможность в дальнейшей разработке сверхпроводников. Сейчас сверхпроводящее состояние материалов достигается либо при сверхнизких температурах (ниже температуры кипения жидкого азота -196 С), либо под гигантским давлением порядка 1 млн атмосфер. А ученые давно ведут работы над получением материалов с такими свойствами при комнатной температуре и менее экстремальном давлении — потери мощности на проводах из таких материалов ничтожны!
В общем, технологии ИИ продолжают доказывать, что в правильно заточенных руках они становятся уникальным инструментом даже в фундаментальной науке.
Я прочитала несколько дней назад новость, что ИИ помог исследователям рассчитать движение электронов по квадратной решётке. Причем сетка сделала это с помощью всего четырёх уравнений. Я не физик, поэтому решила разобрать новость с одним из научных сотрудников физфака МГУ, имя не назову. Дальше будет длиннопост, потерпите.
Так вот, раньше для этой задачи требовались сотни тысяч уравнений — по одной на каждый пиксель визуализации! Разложим теперь всё по полочкам.
🤝 Взаимодействие движущихся по решётке электронов — это чуть ли не основная проблема для физиков. Это связано с тем, что даже находящиеся далеко друг от друга (в разных узлах решётки) элементарные частицы могут взаимодействовать. Поэтому их нельзя рассматривать по отдельности — нужно смотреть на всю картину целиком. А в зависимости от количества участвующих электронов, эта картина может невероятно усложняться.
🎓 Один из способов изучения квантовой системы — метод ренормализационной группы. Физики используют этот математический аппарат, чтобы посмотреть, как электроны ведут себя при разных условиях (например, если изменить температуру). Но этот метод может содержать сотни тысяч отдельных уравнений для отслеживания всех возможных связей между этими частицами.
🤖 Для упрощения задачи учёные разработали нейросеть. Сначала она воспроизводит соединения в полноразмерной ренормализационной группе. Затем алгоритм ищет небольшой набор уравнений, которые генерируют то же самое решение, что и «оригинальная» группа с сотнями тысяч. В некоторых случаях хватало всего четырёх уравнений, причём вообще без ущерба для точности.
Обучение нейронки заняло несколько недель. Зато теперь её можно адаптировать для работы над другими проблемами конденсированных сред. Возможно, такой подход к решению огромного числа уравнений поможет при решении аналогичных задач, например, в космологии, нейробиологии и т.д.
⚛️ Но главный плюс метода — потенциальная возможность в дальнейшей разработке сверхпроводников. Сейчас сверхпроводящее состояние материалов достигается либо при сверхнизких температурах (ниже температуры кипения жидкого азота -196 С), либо под гигантским давлением порядка 1 млн атмосфер. А ученые давно ведут работы над получением материалов с такими свойствами при комнатной температуре и менее экстремальном давлении — потери мощности на проводах из таких материалов ничтожны!
В общем, технологии ИИ продолжают доказывать, что в правильно заточенных руках они становятся уникальным инструментом даже в фундаментальной науке.