By 
Los científicos han reducido un problema de física cuántica enormemente complejo que requería 100.000 ecuaciones a sólo cuatro ecuaciones utilizando la inteligencia artificial.
El equipo espera que el método de “reducción de la dimensionalidad” pueda “revolucionar” la investigación científica de los problemas cuánticos, conduciendo a avances en el diseño materal ultra eficiente.
Los resultados potenciales podrían incluir nuevos materiales con propiedades útiles, como la superconductividad, o con aplicaciones en campos que van desde la neurociencia hasta las energías renovables.
“Comenzamos con este enorme objeto de todas estas ecuaciones diferenciales acopladas; luego estamos utilizando el aprendizaje automático para convertirlo en algo tan pequeño que se puede contar con los dedos”, dijo Domenico Di Sante, un profesor asistente de la Universidad de Bolonia en Italia, y un investigador visitante en el Centro de Física Cuántica Computacional en Nueva York.
“Es esencialmente una máquina que tiene el poder de descubrir patrones ocultos”.
El problema cuántico implicaba el movimiento de los electrones en una red, en una configuración conocida como modelo de Hubbard.
Los físicos han lidiado con la forma en que los electrones pueden enredarse mecánicamente de forma cuántica, lo que significa que no pueden ser tratados individualmente dentro de la fórmula y, por lo tanto, requieren un gran poder computacional para resolverlo.
Utilizando una red neuronal, el equipo fue capaz de entrenarla durante muchas semanas para encontrar un pequeño conjunto de ecuaciones que generaba la misma solución que el método que implicaba miles de ecuaciones.
“Cuando vimos el resultado, dijimos: ‘Vaya, esto es más de lo que esperábamos'”, dijo el Dr. Di Sante. “Realmente fuimos capaces de captar la física relevante”.
Los científicos esperan ahora poner a prueba el método en sistemas cuánticos más complejos en los que los electrones interactúan a grandes distancias.
El avance fue detallado en un artículotitulado ‘Deep learning the functional renormalisation group’, publicado en la revista científica Physical Review Letters el 23 de septiembre.
Comments