Machine Learning Tool sortiert Nuancen von Quantendaten

Ein interdisziplinäres Forscherteam der Cornell University und der Harvard University hat ein Werkzeug für maschinelles Lernen entwickelt, um Quantenmaterie zu analysieren und entscheidende Unterscheidungen in Daten zu treffen, ein Ansatz, der Wissenschaftlern helfen wird, die rätselhaftesten Phänomene im subatomaren Bereich zu enträtseln.

Der von Cornell geleitete Projektartikel “Correlator Convolutional Neural Networks als interpretierbare Architektur für bildähnliche Quantenmaterie-Daten», Veröffentlicht 23. Juni in Nature Communications. Erstautor ist Doktorand Cole Miles.

Das Cornell-Team wurde geleitet von Eun-Ah Kim, Professor für Physik an der Philosophischen Fakultät, der Partner von Kilian Weinberger, Associate Professor of Computing and Information Science am Cornell Ann S. Bowers College of Computing and Information Science und Direktorin von TRIPODS Center for Data Science für bessere Entscheidungsfindung.

Die Zusammenarbeit mit dem Harvard-Team um den Physikprofessor Markus Greiner ist Teil der 10 Big Ideas-Initiative der National Science Foundation, „Harnessing the Data Revolution“. Ihr Projekt „Collaborative Research: Understanding Subatomic-Scale Quantum Matter Data Using Machine Learning Tools“ versucht grundlegende Fragen an den Grenzen von Wissenschaft und Technik zu beantworten, indem es Datenwissenschaftler mit Forschern kombiniert, die auf die traditionellen Gebiete der Physik, Chemie und Ingenieurwissenschaften spezialisiert sind.

Das zentrale Ziel des Projekts ist es, Wege zu finden, um aus Schnappschüssen von Bildtypdaten neue Informationen über Quantensysteme zu extrahieren. Zu diesem Zweck entwickeln sie Werkzeuge für maschinelles Lernen, die in der Lage sind, Zusammenhänge zwischen mikroskopischen Eigenschaften von Daten zu identifizieren, die sonst in dieser Größenordnung nicht zu bestimmen wären.

Convolutional neuronale Netze, eine Art maschinelles Lernen, die häufig zur Analyse visueller Bilder verwendet wird, scannen ein Bild mit einem Filter, um Merkmale in den Daten zu finden, wo immer sie auftreten – ein Schritt namens “Faltung”. Die Faltung wird dann über nichtlineare Funktionen gesendet, die es neuronalen Faltungsnetzwerken ermöglichen, alle Arten von Korrelationen zwischen Merkmalen zu lernen.

Jetzt hat die Cornell Group diesen Ansatz verbessert, indem sie eine “interpretierbare Architektur” namens Correlation Convolutional Neural Networks (CCNN) entwickelt hat, die es Forschern ermöglicht, zu verfolgen, welche bestimmten Korrelationen am wichtigsten sind.

„Neurale Faltungsnetze sind vielseitig“, sagte Kim. “Die Vielseitigkeit, die sich aus der Nichtlinearität ergibt, macht es jedoch schwierig zu verstehen, wie das neuronale Netz einen bestimmten Filter verwendet hat, um seine Entscheidung zu treffen, da nichtlineare Funktionen schwer zu verfolgen sind. Aus diesem Grund ist die Wettervorhersage schwierig. Es ist ein sehr nichtlineares” System.

Um CCNN zu testen, verwendete das Harvard-Team Quantengasmikroskopie, um ein fermionisches Hubbard-Modell zu simulieren – das häufig verwendet wird, um zu demonstrieren, wie Quantenteilchen in einem Gitter interagieren, zusammen mit den vielen ungelösten Fragen, die sich daraus ergeben.

„Die Quantenmechanik ist probabilistisch, aber man kann die Wahrscheinlichkeit nicht aus einer Messung lernen, man muss viele Messungen wiederholen“, sagte Kim. „Aus der Sicht von Schrödingers Katze haben wir eine ganze Sammlung von Atomen, eine Sammlung von lebenden und toten Katzen. Und jedes Mal, wenn wir eine projektive Messung durchführen, haben wir tote Katzen und lebende Katzen. Und von dort aus versuchen wir herauszufinden, in welchem ​​Zustand sich das System befindet, und das System versucht, grundlegende Modelle zu simulieren, die Schlüssel zum Verständnis mysteriöser Phänomene wie der Hochtemperatur-Supraleitung enthalten.

Das Harvard-Team generierte synthetische Daten für zwei schwer zu unterscheidende Zustände: die geometrische Stringtheorie und die Pi-Flusstheorie. In der geometrischen Stringtheorie grenzt das System an eine antiferromagnetische Ordnung, bei der die Elektronenspins eine Art Anti-Alignment bilden – also oben, unten, oben, unten, oben, unten – die gestört wird, wenn sich ein Elektronenloch zu bewegen beginnt . auf einer anderen Zeitskala. In der Pi-Flow-Theorie bilden die Spins Paare, die Singuletts genannt werden, die beginnen, sich umzudrehen und zu kollabieren, wenn ein Loch eingeführt wird, was zu einem verwürfelten Zustand führt.

CCNN konnte zwischen den beiden Simulationen unterscheiden, indem es Korrelationen in den Daten vierter Ordnung identifizierte.

Durch die Wiederholung dieser Übung lernt CCNN im Wesentlichen, welche Vorkommnisse des Bildes für neuronale Netze entscheidend waren, um eine Entscheidung zu treffen – ein Prozess, den Kim mit den Entscheidungen vergleicht, die Menschen treffen, die ein Rettungsboot besteigen.

“Sie wissen, wenn ein großes Schiff zu sinken droht und den Leuten gesagt wird: OK, Sie können nur einen persönlichen Gegenstand mitbringen”, sagte Kim. „Es wird zeigen, was sie in ihrem Herzen haben. Es könnte eine Allianz sein, es könnte eine Mülltonne sein. Wir wissen nie. Wir zwingen das neuronale Netzwerk, ein oder zwei Funktionen auszuwählen, die ihm am meisten helfen, die richtige Bewertung zu liefern. Und dabei können wir die kritischen Aspekte bestimmen, die Essenz dessen, was einen Zustand oder eine Phase ausmacht. “

Der Ansatz kann auf andere Rastersondenmikroskope angewendet werden, die bildähnliche Daten über Quantenmaterialien erzeugen, sowie auf programmierbare Quantensimulatoren. Der nächste Schritt, sagt Kim, besteht darin, eine Form des unüberwachten maschinellen Lernens zu integrieren, die eine objektivere Perspektive bieten kann, die weniger von den Entscheidungen der Forscher beeinflusst wird, die die zu vergleichenden Stichproben auswählen.

Kim sieht Forscher wie ihren Studenten und Hauptautor Cole Miles als die nächste Generation, die diese innovativen und traditionellen Ansätze weiter kombinieren wird, um neue wissenschaftliche Entdeckungen zu fördern.

„Konservativere Leute stehen neuen und glänzenden Dingen skeptisch gegenüber“, sagte Kim. “Aber ich denke, die Balance und Synergie zwischen dem Klassiker und dem Neuen und Glänzenden kann zu nicht trivialen und aufregenden Fortschritten führen. Und ich denke an unser Journal als Beispiel dafür.

Co-Autoren sind der Doktorand Ruihan Wu und Forscher aus Harvard.

Die Forschung wurde vom US-Energieministerium, der National Science Foundation und der Deutschen Exzellenzstrategie unterstützt.