Zap een massa onderkoelde atomen met een magnetisch veld en je ziet "kwantumvuurwerk" - stralen van atomen die in schijnbaar willekeurige richtingen afvuren.
Onderzoekers ontdekten dit al in 2017 en ze vermoedden dat er een patroon in dat vuurwerk zou kunnen zitten. Maar ze konden het niet alleen zien. Dus lieten ze het probleem over aan een computer die was getraind in het matchen van patronen, die kon zien wat ze niet konden: een vorm, geschilderd door het vuurwerk in de loop van de tijd, explosief na atoomstraal. Die vorm? Een funky schildpadje.
De resultaten, gepubliceerd als een rapport op 1 februari in het tijdschrift Science, behoren tot de eerste grote voorbeelden van wetenschappers die machine learning gebruiken om kwantumfysische problemen op te lossen. Mensen zouden verwachten meer digitale assists van dit soort te zien, schreven de onderzoekers, aangezien kwantumfysische experimenten steeds meer systemen met zich meebrengen die te groot en te complex zijn om te analyseren met alleen hersenkracht.
Dit is waarom de geautomatiseerde hulp nodig was:
Om het vuurwerk te maken, begonnen de onderzoekers met een toestand van materie die een Bose-Einstein-condensaat wordt genoemd. Dat is een groep atomen die zo dicht bij het absolute nulpunt zijn gebracht dat ze samenklonteren en zich gaan gedragen als één superatoom, en kwantumeffecten vertonen op relatief grote schaal.
Elke keer dat een magnetisch veld het condensaat trof, schoot een handvol atoomstralen ervan weg, in schijnbaar willekeurige richtingen. De onderzoekers maakten afbeeldingen van de jets, waarbij ze de posities van de atomen in de ruimte aangaven. Maar zelfs veel van die beelden die op elkaar lagen, onthulden geen duidelijk rijm of reden voor het gedrag van de atomen.
via Gfycat
Wat de computer zag dat mensen niet konden, was dat als die beelden werden gedraaid om op elkaar te zitten, er een duidelijk beeld ontstond. De atomen wierpen zich bij elke explosie gemiddeld van het vuurwerk af in een van de zes richtingen ten opzichte van elkaar. Het resultaat was dat genoeg afbeeldingen, op de juiste manier gedraaid en gelaagd, vier "benen" in een rechte hoek ten opzichte van elkaar onthulden, evenals een langere "kop" tussen twee van de benen die overeenkwamen met een "staart" tussen de andere twee . De rest van de atomen was redelijk gelijkmatig verdeeld over drie ringen, die de schildpad vormden.
Dit was niet duidelijk voor menselijke waarnemers omdat de richting waarin de "schildpad" was gericht tijdens elke explosie willekeurig was. En elke explosie vormde slechts een paar stukjes van de algehele schildpadvormige puzzel. Het kostte het oneindige geduld van een computer om door rommelige gegevens te bladeren om erachter te komen hoe alle afbeeldingen zo moesten worden gerangschikt dat de schildpad tevoorschijn kwam.
Dit soort methode - het loslaten van de patroonherkenningscapaciteiten van een computer op een grote, rommelige dataset - is effectief geweest bij het uiteenzetten van de gedachten die door de menselijke hersenen gaan, tot het ontdekken van exoplaneten in een baan rond verre sterren. Het betekent niet dat computers mensen overtreffen; mensen moeten de machines nog steeds trainen om de patronen op te merken, en de computers begrijpen op geen enkele betekenisvolle manier wat ze zien. Maar de benadering is een steeds breder verspreid instrument in de wetenschappelijke toolkit die nu is toegepast op de kwantumfysica.
Natuurlijk, toen de computer dit resultaat eenmaal opdook, controleerden de onderzoekers het werk met behulp van een aantal ouderwetse patroonjachttechnieken die al gebruikelijk zijn in de kwantumfysica. En toen ze eenmaal wisten waar ze naar moesten zoeken, vonden de onderzoekers de schildpad weer, zelfs zonder de hulp van de computer.
Niets van dit onderzoek verklaart nog waarom het vuurwerk na verloop van tijd de vorm van een schildpad vertoont, wezen de onderzoekers erop. En dat is niet het soort vraag dat machine learning zeer geschikt is om te beantwoorden.
"Het herkennen van een patroon is altijd de eerste stap in de wetenschap, dus dit type machine learning kan verborgen relaties en kenmerken identificeren, vooral als we verschuiven om systemen met een groot aantal deeltjes te proberen te begrijpen", zegt hoofdauteur Cheng Chin, natuurkundige bij zei de Universiteit van Chicago in een verklaring.
De volgende stap om erachter te komen waarom dat vuurwerk een schildpadpatroon maakt, zal waarschijnlijk veel minder machine learning en veel meer menselijke intuïtie met zich meebrengen.
