Министерство науки и высшего образования
Российской Федерации
  •    

Российские физики научили нейросети определять свойства материалов на квантовом компьютере

Ученые Уральского федерального университета (УрФУ, Екатеринбург) обучили нейросети, разработанные ранее для игровых платформ, определять характеристики магнитных материалов на квантовых компьютерах, что ранее было невозможно сделать даже с использованием суперкомпьютеров. 

"Исследователи УрФУ обучили нейросети, разработанные ранее для игровых платформ, решать задачи магнетизма на квантовых компьютерах. Ученые доказали высокую эффективность нейросетей при решении сложной задачи распознавания фаз магнитных материалов. Проекты коллектива поддержаны грантом Российского научного фонда", - говорится в сообщении.

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. При этом возможности классической компьютерной техники - даже суперкомпьютеров - для решения подобных задач серьезно ограничены.

Одно из возможных решений заключается в использовании квантовых компьютеров: в этом случае одна квантовая система - компьютер - имитирует другую - вещество. При этом возникает другая проблема - работающий квантовый компьютер взаимодействует с окружающей средой, из-за чего его состояние постоянно меняется и получаемый результат не соответствует идеальному ожиданию (в физике это называется "проблемой декогеренции").

Чтобы максимально уменьшить негативное воздействие внешних шумов, ученые УрФУ использовали нейросети, которые ранее были разработаны для игровых платформ и способны к саморазвитию в процессе игры. В результате они смогли эффективно решать задачи на квантовом компьютере даже в присутствии эффектов декогеренции, приходя при этом к наилучшим из возможных результатов. Новизна предложенного подхода состоит также в том, что обученная нейросеть сама адаптируется к текущему состоянию квантового компьютера.

"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", - сказал один из авторов исследования, профессор УрФУ Владимир Мазуренко.

Перспективы использования

В настоящее время разработанной в УрФУ нейросети доступны самые простые проблемы - описать основные состояния магнитных кластеров небольших размеров. В дальнейшем ученые намерены расширить ее возможности для изучения магнитных свойств материалов, прежде всего, распознавания их фаз и состояний.

Так, 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 и других сложных 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. По словам Мазуренко, 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. 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", - пояснил ученый.

ТАСС

Дата публикации: 14.01.2020 15:37
Дата последнего изменения: 14.01.2020 15:37