Un equipo multinacional de físicos utilizó inteligencia artificial (IA) para condensar un problema cuántico tremendamente complicado, que originalmente requería resolver más de 100.000 ecuaciones en solo cuatro, según un informe de Phys.org.
El resultado fue preciso a pesar de la compresión, lo que podría revolucionar los métodos de investigación en física cuántica.
Simplificando el modelo de Hubbard
El modelo hubbardque tiene como objetivo explicar la transición entre sistemas conductores y aislantes, fue el foco principal del estudio realizado por Domenico Di Sante, profesor asistente de la Universidad de Bolonia en Italia.
El modelo Hubbard se propuso por primera vez en 1963 e intenta explicar el comportamiento de los electrones cuando se colocan en una red que se asemeja a una rejilla.
Incluso si dos electrones se colocan muy separados, el modelo predice que interactuarán y sus destinos se entrelazarán en la mecánica cuántica cuando compartan un lugar en la red.
Los investigadores de física pueden comprender mejor las distintas fases de la materia observando la actividad de los electrones. Sin embargo, debido a sus entrelazamientos mecánicos cuánticos, todos los electrones deben tenerse en cuenta al realizar los cálculos.
Como resultado, los cálculos presentan un desafío matemático desafiante que se vuelve exponencialmente más difícil cuanto más electrones se tienen en cuenta.
Para acelerar el proceso y ayudar a realizar un seguimiento de todas las interacciones de los electrones, los físicos han desarrollado grupos de renormalización como herramienta matemática. Pero eventualmente, un grupo de renormalización puede incluir decenas de miles a millones de ecuaciones que deben resolverse.
Por lo tanto, Di Sante y su equipo examinaron las capacidades de la IA para simplificar el problema.
Lea también: [UPDATE] NVIDIA seguirá fabricando el chip H100 AI en China a pesar de la prohibición estadounidense de exportar chips a los mercados chinos
La IA resuelve el problema
Según el informe de Phys.org, los científicos utilizaron redes neuronales, donde el software primero formó conexiones entre el grupo de renormalización y luego modificó la fuerza de esas conexiones para identificar un pequeño conjunto de ecuaciones que generaron el mismo resultado que el grupo original.
Para comprender la complejidad del modelo de Hubbard, el programa necesitaba mucha potencia de procesamiento. Aunque tardó semanas en completarse, al final el modelo de Hubbard se condensó en sólo cuatro ecuaciones.
Dado que al software se le ha enseñado a buscar ciertos patrones, ahora se puede modificar para buscar otros problemas similares sin la necesidad de resolverlos desde cero.
Además, Di Sante y su equipo también están examinando cómo funciona el aprendizaje automático en esta situación, lo que puede ofrecer información sobre cómo funciona y qué es lo que los físicos han pasado por alto.
ⓒ 2023 . .
