Uma equipe interdisciplinar de pesquisadores da Cornell e da Universidade de Harvard desenvolveu uma ferramenta de aprendizado de máquina para analisar a matéria quântica e fazer distinções cruciais nos dados, uma abordagem que ajudará os cientistas a desvendar os fenômenos mais confusos no reino subatômico.
O artigo do projeto liderado por Cornell, “Correlator Convolutional Neural Networks as a Interpretable Architecture for Image-like Quantum Matter Data,” publicado em 23 de junho na Nature Communications. O autor principal é o estudante de doutorado Cole Miles.
A equipe de Cornell foi liderada por Eun-Ah Kim, professora de física na Faculdade de Artes e Ciências, que fez parceria com Kilian Weinberger, professor associado de computação e ciência da informação na Cornell Ann S. Bowers College of Computing and Information Science e diretor do TRIPODS Center for Data Science for Improved Decision Making.
A colaboração com a equipe de Harvard, liderada pelo professor de física Markus Greiner, faz parte da iniciativa 10 Big Ideas da National Science Foundation, “Harnessing the Data Revolution”. Seu projeto, “Pesquisa colaborativa: Compreendendo dados de matéria quântica em escala subatômica usando ferramentas de aprendizado de máquina”, busca abordar questões fundamentais nas fronteiras da ciência e da engenharia, combinando cientistas de dados com pesquisadores especializados em áreas tradicionais da física, química e engenharia.
O objetivo central do projeto é encontrar maneiras de extrair novas informações sobre sistemas quânticos de instantâneos de dados semelhantes a imagens. Para isso, eles estão desenvolvendo ferramentas de aprendizado de máquina que podem identificar relações entre propriedades microscópicas nos dados que, de outra forma, seriam impossíveis de determinar naquela escala.
Redes neurais convolucionais, um tipo de aprendizado de máquina frequentemente usado para analisar imagens visuais, varre uma imagem com um filtro para encontrar características nos dados, independentemente de onde ocorram – uma etapa chamada “convolução”. A convolução é então enviada por meio de funções não lineares que fazem as redes neurais convolucionais aprenderem todos os tipos de correlações entre os recursos.
Agora, o grupo Cornell aprimorou essa abordagem criando uma “arquitetura interpretável”, chamada Redes Neurais Convolucionais de Correlação (CCNN), que permite aos pesquisadores rastrear quais correlações particulares são mais importantes.
“As redes neurais convolucionais são versáteis”, disse Kim. “No entanto, a versatilidade que vem da não linearidade torna difícil descobrir como a rede neural usou um filtro específico para tomar sua decisão, porque as funções não lineares são difíceis de rastrear. É por isso que a previsão do tempo é difícil. É um sistema muito não linear. ”
Para testar o CCNN, a equipe de Harvard empregou microscopia quântica de gás para simular um modelo fermiônico de Hubbard – frequentemente usado para demonstrar como as partículas quânticas interagem em uma rede e também as muitas questões não resolvidas que são levantadas como resultado.
“A mecânica quântica é probabilística, mas você não pode aprender a probabilidade de uma medição, você tem que repetir muitas medições”, disse Kim. “Do ponto de vista do gato de Schrödinger, temos toda uma coleção de átomos, uma coleção de gatos vivos ou mortos. E cada vez que fazemos uma medição projetiva, temos alguns gatos mortos e alguns gatos vivos. E a partir disso estamos tentando entender em que estado o sistema está, e o sistema está tentando simular modelos fundamentais que contêm as chaves para a compreensão de fenômenos misteriosos, como a supercondutividade de alta temperatura. ”
A equipe de Harvard gerou dados sintéticos para dois estados difíceis de distinguir: teoria geométrica das cordas e teoria do fluxo pi. Na teoria das cordas geométricas, o sistema beira uma ordem antiferromagnética, na qual os giros do elétron formam uma espécie de anti-alinhamento – ou seja, para cima, para baixo, para cima, para baixo, para cima, para baixo – que é interrompido quando um buraco de elétron começa a se mover em uma escala de tempo diferente. Na teoria do fluxo pi, os spins formam pares, chamados singlets, que começam a girar e girar quando um buraco é introduzido, resultando em um estado embaralhado.
O CCNN foi capaz de distinguir entre as duas simulações, identificando correlações nos dados para a quarta ordem.
Ao repetir este exercício, o CCNN essencialmente aprende quais ocorrências na imagem foram essenciais para as redes neurais tomarem uma decisão – um processo que Kim compara às escolhas feitas por pessoas que embarcam em um barco salva-vidas.
“Você sabe quando um grande navio está prestes a afundar e as pessoas dizem: OK, você só pode trazer um item pessoal”, disse Kim. “Isso vai mostrar o que há em seus corações. Pode ser uma aliança de casamento, ou uma lata de lixo. Nunca se sabe. Estamos forçando a rede neural a escolher um ou dois recursos que mais a ajudem a encontrar o avaliação correta. E, ao fazer isso, podemos descobrir quais são os aspectos críticos, a essência do que define um estado ou fase. ”
A abordagem pode ser aplicada a outras microscopias de sonda de varredura que geram dados do tipo imagem em materiais quânticos, bem como simuladores quânticos programáveis. O próximo passo, de acordo com Kim, é incorporar uma forma de aprendizado de máquina não supervisionado que possa oferecer uma perspectiva mais objetiva, menos influenciada pelas decisões dos pesquisadores que escolhem manualmente quais amostras comparar.
Kim vê pesquisadores como seu aluno e autor principal, Cole Miles, como representantes da próxima geração que combinará essas abordagens de ponta e tradicionais ainda mais para conduzir novas descobertas científicas.
“Pessoas mais conservadoras são céticas em relação a coisas novas e brilhantes”, disse Kim. “Mas acho que o equilíbrio e a sinergia entre o clássico e o novo e brilhante podem levar a um progresso não trivial e empolgante. E penso em nosso artigo como um exemplo disso.”
Publicado em 09/07/2021 02h07
Artigo original:
Estudo original: