AI人工智能可以揭开量子物理学的奥秘吗？

　　在Mobileye创始人Amnon Shashua的指导下，耶路撒冷希伯来大学工程和计算机科学学院一个研究小组已经证明，人工智能(AI)可以帮助我们在一个被称为量子物理现象的量子尺度上理解世界。量子物理现象是当代物理学研究的热点之一。
　　（此处已添加圈子卡片，请到今日头条客户端查看）
　　它着眼于自然界中的粒子如何＂聚集＂在一起，并带来它们独特的特性，如导电性或磁性。然而，即使是最有经验的研究人员也几乎不可能对这些复杂的现象有更多了解。这是因为这些现象包含了大量的粒子以及它们之间大量的相互作用。
　　博科园-科学科普：直到现在，Shashua教授在希伯来大学的计算机科学博士生yoav Levin，Sharir和Nadav cohen发表在《物理评论快报》上的一项新研究从数学上证明，基于深度神经网络的算法也可以更好地理解量子物理世界。这些算法，正是计算机具有面部和语音识别能力的算法，现在可以用来增强我们对自然界量子行为的理解。正如主要作者Shashua所分享的，我们在这里所拥有的是不平凡的。这是一种新的、重要的工具，可以帮助我们理解我们周围世界的量子特性。
　　图片：CC0 Public Domain
　　就像20世纪的技术革命一样，通过人工智能加深对量子物理的理解，有可能彻底改变我们生活的方方面面，从计算、能源到交通。现代深度学习在各个领域取得了前所未有的成就。尽管如此，机器学习用于波函数表示的应用主要集中在更传统体系结构上，如受限玻尔兹曼机(RBMs)和完全连接的神经网络。在这封信中，我们建立了当代的深度学习架构，以深度卷积和递归网络的形式，可以有效地表示高度纠缠的量子系统。
　　通过构造与这些体系结构等价的张量网络，将信息在网络运行中的内在重用作为区别于标准张量网络表示的一个关键特征，从而增强了它们的纠缠能力。研究结果表明，这种结构可以支持体积律纠缠缩放，多项式地比目前使用的RBMs更有效。因此，除了量化领先深度学习架构的纠缠能力之外，分析还正式推动了一种趋势的转变，即基于神经网络的波函数表示更接近于机器学习的最先进水平。
　　博科园-科学科普｜研究/来自: 耶路撒冷希伯来大学
　　参考期刊文献:《物理评论快报》
　　DOI: 10.1103/PhysRevLett.122.065301
　　博科园-传递宇宙科学之美