A IA simplificou a solução de problemas da física quântica em ordens de magnitude, mas os cientistas ainda não entendem como

O aprendizado de máquina e a inteligência artificial podem fornecer avanços em muitas áreas aplicadas e científicas. Os avanços no campo da física quântica prometem ser os mais interessantes. O que está acontecendo no mundo quântico é difícil de entender do ponto de vista do senso comum, mas do ponto de vista da matemática não há nada de inexplicável ali, embora resolver equações “quânticas” ainda seja difícil. A nova abordagem promete ensinar a IA a resolver esses problemas muito mais rapidamente.

Visualização da interação de elétrons em uma rede cristalina (Modelo Hubbard). Fonte: Domenico Di Sante/Instituto Flatiron

Por razões óbvias, matemáticos e físicos usam modelos simplificados para descrever fenômenos quânticos. Mas mesmo neste caso, é preciso lidar com centenas, milhares e até milhões de equações para descrever os processos de interação de um número limitado de partículas no nível da mecânica quântica. Por exemplo, para visualizar um modelo da interação de dois elétrons em um nó de uma rede cristalina, é necessário resolver 100.000 equações – uma para cada pixel de visualização. Isso requer enormes recursos de computação. Mas a IA promete lidar com essa tarefa sem nenhum custo extra.

Uma equipe internacional de físicos e matemáticos italianos e americanos conseguiu criar um modelo de aprendizado de máquina que reduziu a solução para apenas quatro equações por pixel. Além disso, sem perda de precisão. É verdade que foram necessárias duas semanas de cálculos intensivos para treinar a IA, mas o resultado se justificou. Além disso, o modelo proposto pode ser utilizado para resolver outros problemas em relação ao aparato matemático envolvido – o método do grupo de renormalização, que ampliará o escopo da ferramenta proposta para física de partículas elementares (cosmologia) e neurociência.

«Na verdade, esta é uma máquina que pode detectar padrões ocultos, – disse o principal autor do estudo Domenico Di Sante (Domenico Di Sante). — Quando vimos o resultado, percebemos que era mais do que esperávamos. Fomos realmente capazes de capturar a física relevante.”

Normalmente, o método de grupo de renormalização opera com muitos parâmetros e serve como suporte para processos de dimensionamento. Os pesquisadores criaram um modelo de IA que, na primeira etapa, cria links em um grupo de renormalização em tamanho real sem simplificação e, em seguida, modifica esses links de forma a reduzir todos os cálculos a um pequeno conjunto de equações, mantendo um resultado semelhante . O resultado final é preservado, mas os caminhos para ele diferem em muitas ordens de magnitude no poder de computação necessário. Um problema, os cientistas ainda não entendem como a IA calcula os caminhos de otimização, mas pretendem descobrir isso em pesquisas futuras.