AIS可以梦想Schrödinger的猫吗？ 艺术盒图像/盖蒂
ntext="Article" data-image-id="2120861" data-caption="Can AIs dream of Schrödinger’s cat?" data-credit="Art Box Images/Getty" />
掌握了古老的GO游戏的相同类型的人工智能可以帮助与包含数十亿个颗粒的量子系统的惊人复杂性搏斗。
去年，Google的Alphago人工神经网络在Go中赢得了世界冠军时成为头条新闻。在惊叹于这一壮举之后，瑞士Eth Zurich的Giuseppe Carleo认为，有可能构建类似的机器学习工具来破解量子物理学中最棘手的问题之一。
现在，他建立了这样的神经网络，这可能是理解量子系统的游戏规则改变者。
GO比国际象棋要复杂得多，因为GO板上的可能位置可能会超过宇宙中原子的数量。这就是为什么基于蛮力计算的方法虽然对国际象棋有效，却无济于事。
从这个意义上讲，GO类似于量子物理学中的经典问题：如何描述一个由数十亿个原子组成的量子系统，所有这些原子都根据复杂的方程式相互相互作用。
即使是普通物质，例如一块黄金或煤炭也是量子系统，因此解决此问题对于理解材料甚至设计新问题至关重要。
但是，量子力学的怪异规则意味着我们在每个时间点都不知道量子粒子的精确位置。许多量子粒子也具有称为“自旋”的特性，可以向上或向下。基于旋转的状态的数量，只有100个这样的粒子可以居住的基于旋转状态的数量将近一百万万亿美元（1030）。
使用我们最强大的超级计算机模拟此类系统的当前记录是48次旋转。Carleo估计，即使我们可以将整个星球变成一个巨大的硬盘驱动器，我们仍然只能对100个旋转进行这些计算。
这就是人工神经网络可以提供帮助的地方。给出这样的网络，GO的规则将弄清楚赢得游戏的最佳策略。因此，也许它可以对量子系统做同样的事情。
Carleo说：“神经网络非常擅长概括，因此通常只需要有限的信息就可以从中推断出更多信息。”例如，养活了一个Carleo的几张照片，它将很快能够在以前从未看过的新照片中识别他。
为了评估这个想法，Carleo和合着者Matthias Troyer（现在位于Microsoft）建立了一个简单的神经网络，旨在重建多体量子系统的波函数，或描述如何布置所有状态的一组概率。他们还计算了其最低的能量或“地面”状态，这是量子力学中的标准问题。
他们对已知解决方案的一些样本问题进行了测试，发现它的性能比已应用于多体系统的其他工具更好。这是该技术承诺原则的足够证明。建立更复杂的深神经网应该更有效。
卡莱说：“这就像让机器学习如何破解量子力学。”“我喜欢说我们有一台机器梦想着施罗德的猫。”
“这真是太酷了，”奥斯丁德克萨斯大学的斯科特·亚伦森说。“鉴于深度学习的成功……在几乎每个可以想象的应用程序领域中，尝试量子多体物理学是一个自然的想法，但据我所知，这是某人第一次这样做。我希望将来会看到更多的东西。”
