早在2016年1月，谷歌的围棋人工智能AlphaGo初露锋芒时，瑞士联邦工业大学的古斯比·卡莱罗（Giuseppe Carleo）就初步形成了利用机器学习技术来解决量子力学难题的构想。
现在，他已经搭建了一个神经网络——它的目标不再是围棋，而是理解量子力学系统。
人工智能在围棋上战胜人类比在国际象棋上战胜人类更困难的原因在于，围棋棋盘上，棋子可能的数目比宇宙中的原子数目还要多。这意味着，人工智能不可能用“暴力穷举”的方法在围棋上击败人类。
有趣的是，围棋跟量子力学的一个经典问题很相似：一个量子系统，包含数以亿计的原子，原子之间的联系通过复杂的方程表示，需求解该系统的特性。
材料科学研究需要求解量子系统
任何以宏观形态存在的材料，本质上都是量子系统，因此求解量子系统是研究材料特性、并研发新型材料的关键。
量子力学限定，不可能在某个时刻精确计算出某个粒子在什么位置。此外，许多粒子还具有自旋特性——要么向上，要么向下。由100个粒子组成的量子系统，其自旋状态数目之和竟有10的30次方之多。
目前，即使动用最强大的超级计算机，人类也只能求解有48个粒子的量子系统。哪怕不考虑计算所耗费的时间，仅仅考虑计算结果的存储，卡莱罗估计，即使我们把整个地球变成一块超级大硬盘，这个硬盘用来求解100个粒子组成的量子系统也只是刚刚够！
然而，人工神经网络却有望简化这一问题。人工智能能够找出围棋的致胜下法，或许它也能最终战胜量子系统求解这个难题。
梦想中的机器
卡莱罗称，人工神经网络非常善于从有限的信息中进行归纳。用一些卡莱罗的照片训练神经网络，它就能从一张之前从未见过的照片中把卡莱罗识别出来。
卡莱罗和微软公司的马蒂亚斯·特洛伊尔（Matthias Troyer）合作，构建了一个简单的、用来求解多体量子系统波函数（也就是量子态概率）的神经网络。同时，该神经网络也可以计算该系统的最低能态，这也是量子力学的基本问题之一。
他们用多个已经获得求解结果的量子力学系统对该工具进行测试，结果发现，该工具的表现优于现有的多体量子力学系统求解工具。因此，一个更大规模的人工智能求解工具应该能更有效地解决更大规模的量子系统求解问题。
卡莱罗戏谑地表示，该系统成功解决了“薛定谔的猫”问题。德克萨斯大学奥斯丁分校的斯考特·阿伦森（Scott Aaronson）表示，卡莱罗团队的工作非常出色。人工智能这一强大工具正在诸多领域掀起巨大的变革，量子力学领域自然也不会例外。人工智能求解多体量子系统的成功，将为日后更多激动人心的成果奠定基础。
编译：离子心
发表于 2017-2-14 12:15
收藏
分享