Zapolja be a hűtött atomok tömegét mágneses mezővel, és látni fogja a "kvantum tűzijátékot" - az atomfúvókákat, amelyek látszólag véletlenszerű irányban tüzelnek el.
A kutatók ezt 2017-ben fedezték fel, és azt gyanították, hogy lehet minta a tűzijátékban. De egyedül nem tudták észrevenni. Tehát a problémát egy minta-illesztéssel kiképzett számítógépre adták át, amely képes volt észrevenni, amit nem tudott: a tűzijáték által idővel festett alak, az atomfúvóka robbantása után. Ez az alak? Egy funky kis teknős.
Az eredmények, amelyeket a Science folyóirat február 1-jei jelentéseként jelentettek meg, az egyik legfontosabb példa arra, hogy a tudósok gépi tanulást használnak a kvantumfizikai problémák megoldására. A másoknak számolniuk kellene azzal, hogy több ilyen típusú digitális asszisztens jelenik meg - írta a kutatók, mivel a kvantumfizikai kísérletek egyre inkább olyan nagy rendszereket vonnak maguk után, hogy elegendőek legyenek az agyi erő felhasználásával történő elemzéshez.
Így volt szükség a számítógépes segítségre:
A tűzijáték készítéséhez a kutatók Bose-Einstein kondenzátumnak nevezett anyagállással kezdték el. Ez egy atomcsoport, amelynek hőmérséklete annyira közel van az abszolút nullához, hogy összekapcsolódnak és elkezdenek viselkedni, mint egy szuperatom, kvantumhatásokat mutatva viszonylag nagy skálán.
Minden alkalommal, amikor egy mágneses mező eltalálta a kondenzátumot, egy maroknyi atomfúvóka tűnt el tőle, látszólag véletlenszerű irányban. A kutatók képeket készítettek a fúvókákról, meghatározva az atomok helyét az űrben. De még a sok egymásra helyezett rétegű kép sem mutatott fel nyilvánvaló rímot vagy indokot az atomok viselkedésére.
keresztül Gfycat
Amit a számítógép látott, amit az emberek nem tudtak, az volt, hogy ha ezeket a képeket egymás tetejére ültetve elforgatják, tiszta kép vált ki. Az atomok átlagosan hajlamosak voltak elrobbanni a tűzijátékoktól a hat irány egyikében egymáshoz viszonyítva. Ennek eredményeként elegendő, a megfelelő módon elforgatott és réteges kép feltárt négy egymásra merőleges "lábat", valamint egy hosszabb "fej" a két láb között, a másikkal egy "farok" -val párosítva. . Az atomok többi része megoszlott egyenletesen három gyűrű között, amelyek képezték a teknős héját.
Ez nem volt egyértelmű az emberi megfigyelők számára, mert az "robbanás" iránya minden robbanás során véletlenszerű volt. És minden robbanás csak néhány darabot alkotott a teknős alakú puzzle-ből. A számítógép végtelen türelmébe tette a rendetlen adatok szitálását, hogy kitaláljuk, hogyan rendezzük el az összes képet úgy, hogy a teknős megjelenjen.
Ez a fajta módszer - a számítógép mintázatfelismerési képességeinek nagyméretű, rendetlen adatkészleten történő meglazítása - eredményes volt az erőfeszítésekben, kezdve az emberi agyon áthaladó gondolatok értelmezésétől a távoli csillagokat keringő exoplanetek spotteléséig. Ez nem azt jelenti, hogy a számítógépek felülmúlják az embereket; az embereknek még mindig meg kell képezniük a gépeket, hogy észrevegyék a mintákat, és a számítógépek semmilyen értelmű módon nem értik meg, amit látnak. A megközelítés azonban egyre elterjedtebb eszköz a tudományos eszközkészletben, amelyet most alkalmaztak a kvantumfizikában.
Természetesen, amint a számítógép megmutatta ezt az eredményt, a kutatók megvizsgálták a munkáját, néhány kvantumfizikában általánosan használt régimódi mintázat-vadászati módszerrel. És miután tudták, mit kell keresni, a kutatók még a számítógép segítése nélkül ismét megtalálták a teknősöt.
E kutatás egyike sem magyarázza meg, hogy a tűzijáték idővel miért mutatta ki a teknős alakját - mutattak rá a kutatók. És ez nem az a fajta kérdés, amelyet a gépi tanulás jól megválaszol.
"A mintázat felismerése mindig a tudomány első lépése, tehát az ilyen típusú gépi tanulás azonosíthatja a rejtett kapcsolatokat és tulajdonságokat, főleg amikor a sok részecskékkel rendelkező rendszerek megértésére törekszünk" - írta Cheng Chin, a a Chicagói Egyetem nyilatkozatában.
A következő lépés annak kiderítéséhez, hogy ezek a tűzijátékok miért készítenek teknősmintát, valószínűleg sokkal kevesebb gépi tanulást és sokkal több emberi intuíciót igényel.
