Worldwide China

Maschinelles Lernen hilft Physikern

Quantenhund- oder -katze? KI wählt passende Theorie

| Autor / Redakteur: Dr. Andreas Battenberg* / Christian Lüttmann

Künstliche Intelligenz hilft Physikern bei der Suche nach der optimalen Beschreibung von Quantenphänomenen.
Bildergalerie: 1 Bild
Künstliche Intelligenz hilft Physikern bei der Suche nach der optimalen Beschreibung von Quantenphänomenen. (Bild: Annabelle Bohrdt und Christoph Hohmann / MCQST)

Mehr zum Thema

Künstliche neuronale Netzwerke eignen sich hervorragend zur Bildanalyse. Dabei kann man ihnen nicht nur beibringen, banale Unterscheidungen wie Hunde- und Katzenbilder zu erkennen. So haben nun Physiker der Technischen Universität München und der amerikanischen Harvard University einer Künstlichen Intelligenz beigebracht, Theorien für quantenphysikalische Phänomene zu unterscheiden und nach ihrer Vorhersagekraft zu bewerten.

München – Hund oder Katze? Die Unterscheidung ist ein Paradebeispiel für maschinelles Lernen: Künstliche neuronale Netzwerke können darauf trainiert werden, Bilder nach bestimmten Merkmalen zu analysieren. So kann man dem System Bilder von Hunden oder Katzen zeigen, und diesem jeweils vorgeben, welches der beiden Tiere dort abgebildet ist. Wenn genug solcher Probebilder gezeigt werden, kann das System schließlich ein neues, nie zuvor gesehenes Bild einordnen, indem es nach den zuvor erlernten Muster sucht. Das System hat also gelernt, Hund oder Katze auf beliebigen Bildern zu unterscheiden.

Nach demselben Prinzip können neuronale Netzwerke auch für zahlreiche andere – und vor allem nützliche – Aufgaben eingesetzt werden. So lassen sich mit dieser Technik z.B. auf radiologischen Aufnahmen Veränderungen im Gewebe aufspüren, um Krankheiten besser und früher zu diagnostizieren. Physiker nutzen die Methode jetzt, um Momentaufnahmen von Quantensystemen zu analysieren und herauszufinden, welche Theorie die dort beobachteten Phänomene am besten beschreibt.

Den Rätseln der Physik auf der Spur

Einige Phänomene in der Physik der kondensierten Materie, die Festkörper und Flüssigkeiten untersucht, sind noch immer voller Rätsel. Bis heute ist beispielsweise ungeklärt, welcher Effekt dafür sorgt, dass der elektrische Widerstand von Hochtemperatur-Supraleitern bei Temperaturen von rund -200 °C auf Null sinkt.

Solche außergewöhnlichen Zustände der Materie zu verstehen ist schwierig: Um die Physik der Hochtemperatur-Supraleiter zu verstehen, wurden Quantensimulatoren entwickelt, die aus ultrakalten Lithiumatomen bestehen. Diese Simulatoren liefern Momentaufnahmen vom Quantensystem, das sich gleichzeitig in unterschiedlichen Konfigurationen befindet – Physiker sprechen von einer Superposition – und jeder Schnappschuss misst eine davon.

Um die Merkmale solcher Quantensysteme verstehen zu können, wurden verschiedene theoretische Modelle entwickelt. Doch wie zutreffend sind diese? Die Frage lässt sich durch die Analyse der Bilddaten beantworten.

Auswahl in der Quantenwelt

Hierfür nutzt ein Forscherteam der Technischen Universität München (TUM) und der amerikanischen Harvard University maschinelles Lernen: Ein künstliches neuronales Netzwerk wurde trainiert, zwei konkurrierende Theorien zu unterscheiden, also sozusagen Quantenhunde von Quantenkatzen zu trennen.

„Ähnlich wie bei der Erkennung von Katzen oder Hunden auf Fotos werden Bilder von Konfigurationen aus jeder Quantentheorie in das neuronale Netzwerk eingespeist“, sagt Annabelle Bohrdt, Doktorandin an der TUM. „Die Netzwerkparameter werden dann optimiert, um jedem Bild das richtige Label zuzuweisen – in diesem Fall sind sie einfach nur Theorie A oder Theorie B statt Katze oder Hund.“

Chemische Synthese mit künstlicher Intelligenz

Retrosynthese

Chemische Synthese mit künstlicher Intelligenz

04.04.18 - Selbst die weltbesten Spieler des chinesischen Brettspiels Go haben keine Chance mehr gegen die Software „Alpha Go“. Ein Forscherteam von der Westfälischen Wilhelms-Universität Münster (WWU) zeigt nun, dass dieses Programm auch bei der effizienten Planung von chemischen Synthesen unschlagbar ist. lesen

Nach der Trainingsphase mit theoretischen Daten musste das neuronale Netzwerk das Gelernte anwenden und Momentaufnahmen von Quantensimulatoren den Theorien A oder B zuordnen. Das Netzwerk selektierte damit die Theorie mit der größeren Vorhersagekraft.

Die neue Methode wollen die Forscher künftig nutzen, um die Übereinstimmung von Messungen mit unterschiedlichen theoretischen Modellen zu überprüfen. Ziel ist es, physikalische Effekte wie die Hochtemperatur-Supraleitung zu verstehen, was beispielsweise für verlustfreie Stromleitung und effizientere Magnetresonanz-Tomographen verwendet werden kann.

Originalpublikation: Annabelle Bohrdt, Christie S. Chiu, Geoffrey Ji, Muqing Xu, Daniel Greif, Markus Greiner, Eugene Demler, Fabian Grusdt und Michael Knap: Classifying snapshots of the doped Hubbard model with machine learning, Nature physics, July 1, 2019; DOI: 10.1038/s41567-019-0565-x

* Dr. A. Battenberg, Technische Universität München, 80333 München

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 46023472 / Wissenschaft & Forschung)