Новости

17 января, 2020 16:51

Физики научили нейросети работать на квантовом компьютере

Исследователи Уральского федерального университета обучили нейросети, разработанные ранее для игровых платформ, решать задачи магнетизма на квантовых компьютерах. Кроме того, ученые доказали высокую эффективность нейросетей при решении сложной задачи распознавания фаз магнитных материалов. Проекты коллектива поддержаны грантом Российского научного фонда (РНФ).
Фото: Владимир Мазуренко в поиске «баланса» между квантовой физикой и технологиями машинного обучения. Источник: Владимир Мазуренко

О результатах экспериментов профессор УрФУ Владимир Мазуренко и его коллеги, аспиранты УрФУ Олег Сотников и Илья Яковлев, рассказали в статьях «Подход контролируемого обучения для распознавания магнитных скирмионных фаз» и «Метод распознавания трехмерных магнитных структур», опубликованных в престижном научном журнале Physical Review, а также в статье «Нейросетевой агент, играющий в спиновые игры на квантовом компьютере», в настоящее время проходящей рецензирование в Journal of Physics A: Mathematical and Theoretical и доступной в открытом архиве препринтов.

Вузовские физики ставят перед собой задачу, во-первых, обработать огромные массивы накопленных данных об уже известных веществах, их состояниях при различных воздействиях — температурой, давлением, магнитным полем; во-вторых, предсказывать свойства новых материалов, наделять их необычайными свойствами, создавая не существовавшие до сих пор кристаллические структуры и химические составы.

При этом возможности классической компьютерной техники — даже суперкомпьютеров — для решения квантовых задач серьезно ограничены из-за неэффективного представления квантового состояния материалов, требующего огромных вычислительных ресурсов. Одно из возможных решений заключается в использовании квантовых компьютеров: в этом случае одна квантовая система — компьютер — имитирует другую — вещество. Каждый классический бит может находиться либо в состоянии 0, либо в состоянии 1. Тогда как квантовый бит находится одновременно в суперпозиции состояний 0 и 1. Как следствие, при описании материалов с помощью квантовых компьютеров отпадает необходимость использовать множество приближений. Появляется возможность получать более точные решения и предсказывать новые материалы с уникальными свойствами.

Проблема, однако, в том, что работающий квантовый компьютер взаимодействует с окружающей его средой, из-за чего его состояние постоянно меняется и получаемый результат не соответствует идеальному ожиданию (в физике это называется «проблемой декогеренции»). Проблема декогеренции не позволяет решить насущные проблемы вычислительной физики и материаловедения. Задача, следовательно, в том, чтобы максимально уменьшить негативное воздействие внешних «шумов». Этого можно добиться как на уровне экспериментальной установки (квантового устройства), так и на программном уровне.

Именно программному решению с использованием нейросетей посвящен исследовательский проект УрФУ «Нейросетевой агент, играющий в спиновые игры на квантовом компьютере».

«Наша нейросеть на протяжении определенного времени самостоятельно „играет“ на квантовом компьютере, — объясняет профессор УрФУ Владимир Мазуренко. — Применяя способности нейросети к саморазвитию в процессе игры, мы обучили ее эффективно решать задачи на квантовом компьютере даже в присутствии эффектов декогеренции и при этом приходить к наилучшим из возможных результатов. Обученная нейросеть сама адаптируется к текущему состоянию квантового компьютера. В этом — новизна нашего подхода».

Пока нейросети доступны самые простые проблемы — описать основные состояния магнитных кластеров небольших размеров.

«Но и эти первые шаги показывают, насколько продуктивнее работать на современных квантовых компьютерах, несмотря на то что они пока характеризуются значительными флуктуациями на уровне результатов измерений», — добавляет ученый.

Сотрудники кафедры также специализируются на изучении магнитных свойств материалов. Важное направление в данной области — распознавание фаз, состояний, в которых находится материал (вещество).

В зависимости от внешних условий магнитный материал может находиться в разных фазах. Например, при низких температурах все магнитные моменты атомов располагаются в одном направлении вдоль одной оси (такие вещества называются ферромагнетиками), при повышении температуры происходит переход в фазу неупорядоченности — магнитные моменты «смотрят» в разные стороны (это парамагнетики). Кроме того, есть множество сложных упорядоченных неколлинеарных фаз. Количество магнитных моментов, необходимых для моделирования реальных материалов и вариантов их расположения, колоссально.

Чтобы определить, в какой фазе находится материал и какими свойствами он обладает, необходимо провести гигантское количество наблюдений, замеров, трудоемких и длительных численных экспериментов.

«Самое сложное — описать и количественно охарактеризовать область перехода из одной фазы в другую. Именно в этих критических областях человеку очень тяжело осмыслить и классифицировать получаемые данные численных и реальных экспериментов. Выход — в подключении к решению задачи искусственного интеллекта, нейросети, которая может быть обучена решению таких задач, — говорит Мазуренко. — Задействуя нейросеть, мы избавляемся от необходимости делать множество визуализаций разных состояний вещества, изучать каждую из них, рассчитывать сложные корреляционные функции, проводить глубокий численный анализ, затрачивая большой объем времени».

Обучение нейросети происходит при минимальном участии человека: он готовит для нее обучающие данные, например, изображения магнитных конфигураций. В УрФУ нейросеть сначала «тренируют» на конфигурациях, которые человек классифицирует легко и однозначно, потом предлагают ей распознать сложные изображения состояний материала, все ближе и ближе к точке фазового перехода.

«Мы подаем „картинки“ магнитных конфигураций на вход в натренированную нейросеть, она их запоминает и на выходе выдает ответ: при такой температуре, таком давлении и внешнем магнитном поле вещество будет находиться в такой фазе, результаты выборочно сверяются с человеческими расчетами. Таким образом, нейросеть может распознавать фазы и быстрее, и точнее человека, а сам процесс обходится дешевле. Как это удается нейросети — отдельный вопрос, требующий дополнительных исследований, что является неотъемлемой частью любого такого проекта, как наш», — делится исследователь.

Сегодня нейросетевые технологии используются для переводов с иностранных языков, распознавания лиц, совершенствования беспилотных автомобилей. В конце 2019 года многократный южнокорейский чемпион по игре го Ли Седоль проиграл компьютерному алгоритму, разработанному лабораторией Google DeepMind, и заявил о завершении карьеры. До этого нейросети научились играть лучше человека в классические компьютерные игры Atari2600. Все потому, уверены ученые, что нейросети, самообучающиеся в ходе многократных сеансов игры, принимают решения в режиме реального времени и могут разрабатывать свои эффективные стратегии для достижения основной цели — победы в игре.

28 марта, 2024
Ученые ИТМО создали более долговечные синие перовскитные светодиоды
Ученые ИТМО нашли новый способ получения синего излучения у перовскитных нанокристаллов. Он позвол...
28 марта, 2024
Ученые научились управлять мощностью электронного пучка в течение его импульса
В Институте сильноточной электроники СО РАН модернизирована уникальная научная электронно-пучковая...