Rozbij masę przechłodzonych atomów polem magnetycznym, a zobaczysz „fajerwerki kwantowe” - strumienie atomów wystrzeliwujące w pozornie losowych kierunkach.
Naukowcy odkryli to w 2017 roku i podejrzewali, że w tych fajerwerkach może być jakiś wzorzec. Ale nie byli w stanie tego zauważyć. Tak więc przekazali problem komputerowi wyszkolonemu w dopasowywaniu wzorów, który potrafił dostrzec to, czego nie potrafił: kształt, namalowany przez fajerwerki z biegiem czasu, w wybuchu po wybuchu atomowym. Ten kształt? Funky mały żółw.
Wyniki, opublikowane jako raport 1 lutego w czasopiśmie Science, są jednymi z pierwszych głównych przykładów naukowców wykorzystujących uczenie maszynowe do rozwiązywania problemów fizyki kwantowej. Naukowcy napisali, że ludzie powinni spodziewać się więcej cyfrowych asyst tego rodzaju, ponieważ eksperymenty fizyki kwantowej w coraz większym stopniu angażują systemy zbyt duże i złożone, aby je analizować przy użyciu samej siły mózgu.
Oto dlaczego konieczna była skomputeryzowana pomoc:
Aby stworzyć fajerwerki, naukowcy rozpoczęli od stanu skupienia materii zwanego kondensatem Bosego-Einsteina. Jest to grupa atomów doprowadzonych do temperatur tak bliskich zeru absolutnemu, że zbierają się one razem i zaczynają zachowywać się jak jeden superatom, wykazując efekty kwantowe w stosunkowo dużych skalach.
Za każdym razem, gdy pole magnetyczne uderzało w kondensat, garść strumieni atomowych wystrzeliwuje z niego w pozornie losowych kierunkach. Naukowcy wykonali zdjęcia dżetów, wskazując pozycje atomów w przestrzeni. Ale nawet wiele z tych warstw ułożonych jedna na drugiej nie ujawniło żadnego oczywistego rymu ani powodu dla zachowania atomów.
przez Gfycat
Komputer widział, że ludzie nie mogą, to to, że jeśli te obrazy zostaną obrócone, aby siedzieć jeden na drugim, powstanie wyraźny obraz. Atomy średnio odpychały się od fajerwerków podczas jednego wybuchu w jednym z sześciu kierunków względem siebie. Rezultat był taki, że wystarczająca liczba zdjęć, odpowiednio obróconych i ułożonych warstwami, ujawniła cztery „nogi” pod kątem prostym do siebie, a także dłuższą „głowę” między dwoma nogami połączoną z „ogonem” między pozostałymi dwoma . Reszta atomów była dość równomiernie rozmieszczona w trzech pierścieniach, które tworzyły skorupę żółwia.
Nie było to oczywiste dla ludzkich obserwatorów, ponieważ kierunek, w którym „żółw” był zorientowany podczas każdego wybuchu, był losowy. I każdy podmuch składał się tylko z kilku elementów ogólnej układanki w kształcie żółwia. Komputer potrzebował nieskończonej cierpliwości do przeszukiwania niechlujnych danych, aby dowiedzieć się, jak ułożyć wszystkie obrazy w taki sposób, aby pojawił się żółw.
Ten rodzaj metody - polegający na zwalnianiu zdolności komputera do rozpoznawania wzorców na dużym, nieporządnym zbiorze danych - okazał się skuteczny w wysiłkach, od interpretacji myśli przechodzących przez ludzkie mózgi po wykrywanie egzoplanet krążących wokół odległych gwiazd. To nie znaczy, że komputery wyprzedzają ludzi; ludzie nadal muszą szkolić maszyny, aby zauważały wzorce, a komputery w żaden znaczący sposób nie rozumieją tego, co widzą. Ale podejście to jest coraz bardziej rozpowszechnionym narzędziem w zestawie narzędzi naukowych, który został teraz zastosowany w fizyce kwantowej.
Oczywiście, gdy komputer odkrył ten wynik, naukowcy sprawdzili jego działanie, wykorzystując niektóre staromodne techniki poszukiwania wzorców, które są już powszechne w fizyce kwantowej. A kiedy już wiedzieli, czego szukać, naukowcy znaleźli żółwia ponownie, nawet bez pomocy komputera.
Żadne z tych badań nie wyjaśnia jeszcze, dlaczego fajerwerki z czasem wykazują kształt żółwia, jak podkreślili naukowcy. I to nie jest pytanie, na które uczenie maszynowe jest odpowiednie, aby na nie odpowiedzieć.
„Rozpoznanie wzorca jest zawsze pierwszym krokiem w nauce, więc ten rodzaj uczenia maszynowego może zidentyfikować ukryte relacje i cechy, zwłaszcza gdy przechodzimy do próby zrozumienia systemów z dużą liczbą cząstek”, główny autor Cheng Chin, fizyk z University of Chicago, powiedział w oświadczeniu.
Następny krok w ustaleniu, dlaczego te fajerwerki tworzą wzór żółwia, prawdopodobnie będzie wymagał znacznie mniej uczenia maszynowego i dużo więcej ludzkiej intuicji.
