يطور باحثو بريستول خوارزمية لصياغة أنظمة الكم

نظرًا لأن نماذج هاميلتونيان تدعم دراسة وتحليل العمليات الفيزيائية والكيميائية ، فهي كذلك يقول الباحثون ، من المهم أن يكونوا مخلصين للنظام الذي يمثلونه ، ومع ذلك ، فإن صياغة واختبار مرشحي هاميلتونيون للأنظمة الكمية من البيانات التجريبية أمر صعب ، لأن المرء لا يستطيع أن يلاحظ مباشرة التفاعلات الموجودة.

هنا نقترح ونعرض بروتوكولًا آليًا للتغلب على هذا التحدي من خلال تصميم وكيل يستغل التعلم الآلي غير الخاضع للإشراف. نعرض أولاً قدرات نهجنا لاستنتاج هاملتونيان الصحيح عند دراسة إعداد مركز شاغر للنيتروجين. في عمليات المحاكاة الأولية ، يُعرف النموذج الدقيق ويتم استنتاجه بشكل صحيح بمعدلات نجاح تصل إلى 59٪.

عند استخدام البيانات التجريبية ، تقوم 74٪ من مثيلات البروتوكول باسترداد النماذج التي تعتبر معقولة. أنظمة محاكاة متعددة الدوران ، تتميز بمساحة 10¹⁰ النماذج المحتملة ، يتم فحصها أيضًا من خلال دمج خوارزمية جينية في بروتوكولنا ، والتي تحدد النموذج المستهدف في 85٪ من الحالات.

إن تطوير العوامل المؤتمتة ، القادرة على صياغة واختبار فرضيات النمذجة من افتراضات سابقة محدودة ، يمثل خطوة أساسية نحو توصيف أنظمة الكم الكبيرة.

يمكن استخدام الخوارزمية للمساعدة في التوصيف الآلي للأجهزة الجديدة ، مثل أجهزة الاستشعار الكمومية.

"بدمج قوة أجهزة الكمبيوتر العملاقة اليوم مع التعلم الآلي ، تمكنا من اكتشاف البنية تلقائيًا في الأنظمة الكمومية. مع توفر أجهزة كمبيوتر / أجهزة محاكاة كمومية جديدة ، تصبح الخوارزمية أكثر إثارة: أولاً يمكن أن تساعد في التحقق من أداء الجهاز نفسه ، ثم استغلال تلك الأجهزة لفهم الأنظمة الأكبر باستمرار ، كما يقول الباحث بريان فلين.