شبکه‌های عصبی مصنوعی راه حلی برای نمایش جهان کوانتومی

درهم‌تنیدگی کوانتومی که انیشتین از آن به‌عنوان «یک فعل و انفعال شبح‌وار در فاصله» نام می‌برد، یکی از چندین سیستم‌ کوانتومی ممکن است که فیزیکدانان تاکنون در جستجوی پتانسیل‌های کاربردی این پدیده در گستره‌ی بزرگی از زمینه‌ها بوده‌اند. به‌عنوان‌مثال این حالت در قلب فناوری کامپیوترهای کوانتومی و اصول اساسی انتقال کوانتومی و رمزنگاری کوانتومی کاربرد دارد. دانشمندان همچنان در پی کشف کامل این سیستم‌های کوانتومی هستند. دانشمندان پی بردند که برای کشف این سیستم‌ها نیاز به ابزارهای بهتری دارند؛ لذا فیزیکدانان مؤسسه‌ی جوینت کوانتوم و مرکز نظریه‌ی کاندنس متر دانشگاه مریلند به دنبال شبکه‌ی عصبی مصنوعی رفتند؛ این شبکه به‌گونه‌ای طراحی‌ شده است تا همانند نورون‌های مغزی به انتقال اطلاعات بپردازد. دُنگ‌لینگ دنگ، محقق مؤسسه‌ی جوینت کوانتوم، در گفتگویی خبری بیان می‌کند:

اگر می‌خواهیم برخی از مشکلات کوانتومی را برطرف کنیم، باید راهی برای نمایش دادن کارآمد و مؤثر آن‌ها بیابیم.

دنگ، ایده‌ی خود را بعد از منتشر شدن خبر پیروزی هوش مصنوعی گوگل، آلفا گو، بر بازیکنان حرفه‌ای بازی گو در سال ۲۰۱۶، به دست آورد. به نظر می‌رسد یادگیری ماشین که در پشت پرده‌ی دستاوردهای سیستم‌های هوش مصنوعی هستند، یکی از راه‌های محتمل نمایش حالت‌های کوانتومی باشد. همچنین در همان زمان در مقاله‌ای به ایده‌ی استفاده از شبکه‌های عصبی برای نمایش حالت کوانتومی پرداخته شد. دنگ می‌گوید:

ما فوراً دریافتیم که این مقاله از اهمیت بالایی برخوردار است؛ بنابراین تمام انرژی و وقت خود را صرف مطالعه‌ی بیشتر این مشکلات کردیم.

برای نمایش سیستم‌های کوانتومی با استفاده از شبکه‌های عصبی، دنگ و همکارانش به مطالعه‌ی دودسته‌ی متفاوت از نورون‌ها پرداختند. یکی از این گروه‌های نورونی که آن را نورون آشکار می‌نامند، برای نمایش دادن ذرات کوانتومی واقعی مشابه اتم‌های شبکه‌ی اُپتیکی یا یون‌های زنجیره‌ای، استفاده می‌شود. گروه دوم از نورون‌ها برای فعل‌وانفعالات بین ذرات استفاده می‌شود. این دسته که آن را نورون مخفی می‌نامند، با ویزیبل نورون‌های آشکار در ارتباط هستند. تا زمانی که تعداد ارتباطات بین نورونی به مقداری نسبی کم باشد، توصیف شبکه‌ی عصبی ساده‌تر است. سَکار داس سارما، همکار مؤسسه‌ی جوینت کوانتوم، می‌گوید:

این تحقیق از این نظر خاص است که تنها به نمایش مؤثر حالت‌های ترکیبی کوانتومی نپرداخته است.

 مدل‌های فوق این توانایی را دارند تا حالت‌های کوانتومی موردنظر را به‌صورت به‌هم‌پیوسته نمایش دهند؛ ازجمله حالت‌هایی که در‌هم‌تنیدگی زیادی دارند. سارما در ادامه افزود:

این تحقیق برای حل مشکلات قابل‌ حل ازجمله مشکلات اصلی کوانتومی که از یادگیری ماشین به‌عنوان ابزاری برای یافتن راه‌حل‌های دقیق استفاده می‌کنند، راه جدیدی را ارائه داده است.

همچنین دنگ اضافه می‌کند:

 البته، شبکه‌ی عصبی محدودیت‌هایی نیز دارد و قادر به نمایش کارآمد و فراگیر این حالت‌ها نیست.

 این تحقیقات همچنان می‌تواند دیدگاه ما در مورد درهم تنیدگی کوانتومی را به‌طور فراوانی افزایش دهد. با توجه به متن نوشته‌شده در مقاله‌ی این گروه:

 نحقیق ما قدرت بی‌نظیر شبکه‌های عصبی مصنوعی در نمایش بسیاری از حالت‌های کوانتومی صرف‌نظر از میزان درهم تنیدگی آن‌ها را کشف کرده است. این قدرت شبکه‌های عصبی موجب شده است تا راه جدیدی برای فن‌های یادگیری ماشین بر پایه‌ی یادگیری علمی کامپیوتری برای غلبه بر مشکلات ماده‌ی متراکم کوانتومی، کشف شود.