Inteligencia artificial reduce problema de física cuántica de 100.000 ecuaciones a solo cuatro

 


Ahora, la mayor incógnita es saber si el nuevo método con inteligencia artificial (IA) funciona en sistemas cuánticos más complicados.

Ahora, la mayor incógnita es saber si el nuevo método con inteligencia artificial (IA) funciona en sistemas cuánticos más complicados.

Físicos han utilizado la inteligencia artificial (IA) para reducir un desafiante y enorme problema cuántico que antes necesitaba 100.000 ecuaciones a un esfuerzo manejable de tan solo cuatro ecuaciones, todo ello sin perder precisión. 

En específico, los científicos han conseguido capturar el movimiento de los electrones que se desplazan por una red cuadrada en simulaciones que, hasta ahora, habían requerido cientos de miles de ecuaciones individuales.

Los resultados, publicados en Physical Review Letters, pueden cambiar la forma en que los científicos analizan los sistemas con múltiples electrones en interacción. Además, si la técnica es adaptable a otras situaciones, podría ayudar a la creación de materiales con características deseables, como la superconductividad o la utilidad para la generación de energía limpia, según explica un comunicado de prensa de la Fundación Simons.

Esta hazaña informática podría ayudar a resolver además uno de los problemas más difíciles de la física cuántica, el problema de los "muchos electrones", que trata de describir sistemas que contienen un gran número de electrones que interactúan. 

De este modo, el modelo también sirve de campo de pruebas para nuevos enfoques antes de aplicarlos a sistemas cuánticos más sofisticados.

"Empezamos con este enorme objeto de todas estas ecuaciones diferenciales acopladas; luego utilizamos el aprendizaje automático para convertirlo en algo tan pequeño que se puede contar con los dedos", dice el autor principal del estudio, Domenico Di Sante, investigador visitante en el Centro de Física Cuántica Computacional (CCQ) del Instituto Flatiron de Nueva York y profesor asistente de la Universidad de Bolonia (Italia).

Electrones enredados a nivel cuántico 

El problema a trabajar se refiere al comportamiento de los electrones cuando se mueven en una red de rejillas. Cuando dos electrones ocupan el mismo sitio de la red, estos interactúan, y esta disposición, conocida como modelo de Hubbard, es una idealización de varias clases importantes de materiales que permite a los científicos conocer cómo el comportamiento de los electrones conduce a las fases de la materia que se estudia, según explica el comunicado. 

Este es, por ejemplo, el modelo teórico de los estados que conducen a la superconductividad, en la que los electrones fluyen por un material sin resistencia. 

El problema es que los electrones en cuestión se entremezclan entre sí a nivel cuántico y no pueden entonces ser tratados individualmente, entre otras. Entonces, varios electrones enredados hacen que el esfuerzo computacional aumente exponencialmente, ya que, en última instancia, se interrelacionan cientos de miles de ecuaciones, cada una de las cuales describe pares individuales. Sin embargo, la red neuronal del sistema de IA que se le aplica ahora ha conseguido resolver este enorme sistema de ecuaciones. 

La IA es capaz de detectar patrones ocultos 

El entrenamiento del algoritmo requirió mucha potencia de cálculo y llevó varias semanas. Sin embargo, el sistema que existe ahora está en un nivel en el que puede adaptarse a otros problemas complejos sin tener que empezar de cero.

"Es básicamente una máquina capaz de detectar patrones ocultos", explicó Di Sante. "Cuando vimos el resultado, dijimos: 'Vaya, esto es más de lo que esperábamos'. Realmente pudimos captar la física relevante". 

Ahora, la mayor incógnita es saber si el nuevo método funciona en sistemas cuánticos más complicados, como los materiales en los que los electrones interactúan a grandes distancias. Además, Di Sante cree que hay un potencial intrigante para emplear la inteligencia artificial en otros dominios que tratan con grupos de renormalización, como la cosmología y la neurología.

Editado por Felipe Espinosa Wang.

Publicar un comentario

0 Comentarios