Machine Learning Tool sortiert die Nuancen von Quantendaten

Ein interdisziplinäres Forscherteam von Cornell und der Harvard University hat ein Werkzeug für maschinelles Lernen entwickelt, um Quantensubstanzen zu analysieren und entscheidende Unterscheidungen in den Daten zu treffen. Ein Ansatz, der Wissenschaftlern helfen wird, die verwirrendsten Phänomene im subatomaren Bereich zu enträtseln.

Der Bericht des von Cornell geleiteten Projekts, „Correlator Convolutional Neural Networks als interpretierbare Architektur für die Bildgebung von Quantendaten, “23. Juni in Nature Communications veröffentlicht. Erstautor ist Doktorand Cole Miles.

Das Cornell-Team wurde geleitet von Eun-Ah Kim, Professor für Physik an der Hochschule der Künste und Wissenschaften, der zusammen mit Kilian Weinberger, außerordentlicher Professor für Computer- und Informationswissenschaft am Cornell Ann S. Bowers College of Computing and Information Science und Direktor des TRIPODS Center for Data Science für verbesserte Entscheidungsfindung.

Die Zusammenarbeit mit dem Harvard-Team unter der Leitung von Physikprofessor Markus Greiner ist Teil der 10 Big Ideas-Initiative der National Science Foundation, „Harnessing the Data Revolution“. Ihr Projekt „Collaborative Research: Understanding Subatomic-Scale Quantum Matter Data Using Machine Learning Tools“ zielt darauf ab, grundlegende Fragen an den Grenzen von Wissenschaft und Technik zu beantworten, indem es Datenwissenschaftler mit Forschern verbindet, die auf traditionelle Bereiche der Physik, Chemie und Ingenieurwissenschaften spezialisiert sind.

Das Hauptziel des Projekts ist es, Wege zu finden, um neue Informationen über Quantensysteme aus Screenshots von bildähnlichen Daten zu extrahieren. Dazu entwickeln sie Machine-Learning-Tools, die Zusammenhänge zwischen mikroskopischen Eigenschaften in den Daten erkennen können, die sonst auf der Skala nicht zu bestimmen wären.

Convolutional neuronale Netze, eine Art des maschinellen Lernens, die häufig zur Analyse visueller Bilder verwendet wird, scannen ein Bild mit einem Filter, um charakteristische Merkmale in den Daten zu finden, wo immer sie auftreten – ein Schritt namens „Faltung“. Die Faltung wird dann durch nichtlineare Funktionen gesendet, die es den neuronalen Faltungsnetzwerken ermöglichen, alle möglichen Korrelationen zwischen den Funktionen zu lernen.

Die Cornell-Gruppe verbesserte den Ansatz, indem sie eine „interpretierbare Architektur“ namens Correlation Convolutional Neural Networks (CCNN) schuf, die es den Forschern ermöglicht, zu identifizieren, welche spezifischen Korrelationen am wichtigsten sind.

„Neurale Faltungsnetze sind vielseitig“, sagte Kim. „Die Vielseitigkeit, die sich aus der Nichtlinearität ergibt, macht es jedoch schwierig herauszufinden, wie das neuronale Netzwerk einen bestimmten Filter verwendet hat, um seine Entscheidung zu treffen, da nichtlineare Funktionen schwer zu erkennen sind. Daher ist die Wettervorhersage schwierig. Dies ist ein sehr nichtlineares System. ”

Um CCNN zu testen, verwendete das Harvard-Team Quantengasmikroskopie, um ein fermionisches Hubbard-Modell zu simulieren – das häufig verwendet wird, um zu zeigen, wie Quantenteilchen in einem Gitter interagieren, sowie die vielen ungelösten Fragen, die sich daraus ergeben.

„Quantenmechanik ist wahrscheinlich, aber man kann die Wahrscheinlichkeit nicht aus einer Messung lernen, man muss viele Messungen wiederholen“, sagte Kim. „Aus Schrödingers Katzenperspektive haben wir eine ganze Ansammlung von Atomen, eine Ansammlung lebender oder toter Katzen. Und jedes Mal, wenn wir eine projektive Messung durchführen, haben wir einige tote Katzen und einige lebende Katzen. Auf dieser Grundlage versuchen wir, den Zustand des Systems zu verstehen, und das System versucht, grundlegende Modelle zu simulieren, die Schlüssel zum Verständnis mysteriöser Phänomene wie der Supraleitung bei hoher Temperatur enthalten. ”

Das Harvard-Team generierte synthetische Daten für zwei schwer zu unterscheidende Zustände: die geometrische Stringtheorie und die Pi-Flusstheorie. In der geometrischen Stringtheorie geht das System in eine antiferromagnetische Ordnung, in der der Elektronenspin eine Art Anti-Ausrichtung bildet – d. h. oben, unten, oben, unten, oben, unten – die unterbrochen wird, wenn sich ein Elektronenloch zu bewegen beginnt. auf einer anderen Zeitskala. In der Pi-Fluss-Theorie bilden die Windungen Paare, die als Einzelklingen bezeichnet werden, die beginnen, sich zu drehen und zu rotieren, wenn ein Loch eingefügt wird, was zu einem verwürfelten Zustand führt.

CCNN konnte zwischen den beiden Simulationen unterscheiden, indem es Korrelationen in den Daten vierter Ordnung identifizierte.

Durch die Wiederholung dieser Übung lernt das CCNN im Wesentlichen, welche Ereignisse im Bild notwendig waren, damit neuronale Netze eine Entscheidung treffen können – ein Prozess, der Kim mit den Entscheidungen vergleicht, die Menschen treffen, die ein Rettungsboot besteigen.

„Sie wissen, wenn ein großes Schiff zu sinken droht und die Leute sagen: ‚Okay, Sie können nur einen persönlichen Gegenstand mitbringen'“, sagte Kim. „Es wird zeigen, was in ihren Herzen ist. Es könnte ein Ehering sein, es könnte ein Mülleimer sein. Man weiß nie. Wir zwingen das neuronale Netzwerk, ein oder zwei Funktionen auszuwählen, die ihm am besten helfen, die richtige Bewertung zu entwickeln. Auf diese Weise können wir herausfinden, was die kritischen Aspekte, die Kernessenz dessen sind, was einen Zustand oder eine Phase ausmacht. ”

Der Ansatz kann auf andere Rastersondenmikroskope angewendet werden, die bildförmige Daten auf Quantenmaterial erzeugen, sowie auf programmierbare Quantensimulatoren. Laut Kim besteht der nächste Schritt darin, eine Form des unüberwachten maschinellen Lernens einzuführen, die eine objektivere Perspektive bieten kann, die weniger von den Entscheidungen der Forscher beeinflusst wird, die die zu vergleichenden Stichproben auswählen.

Kim sieht Forscher als ihren Studenten und Hauptautor Cole Miles als die nächste Generation, die diese neuesten und traditionellen Ansätze noch weiter zusammenbringen wird, um neue wissenschaftliche Entdeckungen voranzutreiben.

„Konservativere Leute sind skeptisch gegenüber neuen und glänzenden Dingen“, sagte Kim. „Aber ich denke, Balance und Synergie zwischen Klassik und Neuem und Glanz können zu unbedeutenden und aufregenden Fortschritten führen. Und ich betrachte unsere Zeitung als ein Beispiel dafür. ‚

Co-Autoren sind der Doktorand Ruihan Wu und Forscher aus Harvard.

Die Forschung wurde vom US-Energieministerium, der National Science Foundation und der deutschen Exzellenzstrategie unterstützt.