A Polynomial-Scaling PDE Solver with Entanglement-Basis Tensor Networks

Gran parte del mondo fisico è descritta da equazioni che tracciano come le cose cambino nello spazio e nel tempo, dal flusso di calore attraverso una barra di metallo al movimento dell'aria attorno a un'ala. Poiché queste equazioni sono spesso troppo complesse per essere risolte con una semplice formula, scienziati e ingegneri si affidano a metodi numerici per scomporre il problema in parti gestibili. Dividono una forma continua in una griglia di piccoli pezzi finiti, trasformando il problema fluido e infinito in una massiccia lista di equazioni algebriche che un computer può elaborare. Sebbene questo approccio funzioni bene per molti problemi, incontra un muro quando le equazioni diventano altamente non lineari o quando il sistema coinvolge molte parti interagenti; il numero di calcoli richiesti può esplodere, crescendo così velocemente che persino i supercomputer più potenti non riescono a terminare il lavoro in un tempo ragionevole.

Un team di ricercatori del Massachusetts Institute of Technology ha sviluppato un nuovo modo per affrontare questi problemi difficili prendendo in prestito uno strumento dallo studio della fisica quantistica. Invece di trattare la memoria del computer come una semplice lista di numeri, rappresentano la soluzione come una rete connessa di strutture dati più piccole e collegate. Questo metodo, noto come rete tensoriale, consente al computer di memorizzare ed elaborare le informazioni in modo efficiente concentrandosi solo sulle connessioni più importanti tra le diverse parti del sistema. Nel loro nuovo lavoro, i ricercatori hanno applicato con successo questa tecnica a un metodo standard per la risoluzione delle equazioni chiamato metodo degli elementi finiti, creando un risolutore in grado di gestire problemi complessi e non lineari con un costo computazionale che cresce a un tasso polinomiale gestibile, piuttosto che a uno impossibile esponenziale.

La sfida centrale risiede nel modo in cui i metodi tradizionali gestiscono le relazioni non lineari. Quando un sistema fisico si comporta in modo tale che l'output non sia direttamente proporzionale all'input — come quando le proprietà materiali di una sostanza cambiano a seconda di quanto calore stia attualmente trattenendo — la matematica diventa incredibilmente difficile. Gli approcci standard spesso richiedono al computer di indovinare una soluzione, controllare l'errore e indovinare di nuovo, un processo che può essere lento e instabile. Il team del MIT ha affrontato questo problema elevando la questione in uno spazio più grande e astratto dove queste interazioni non lineari diventano relazioni lineari semplici. Immaginate di cercare di sciogliere un nodo tirando le estremità; a volte è più facile immaginare il nodo come un foglio piatto e srotolato dove gli intrecci sono solo linee che possono essere raddrizzate. Espandendo il problema in questo spazio aumentato, i ricercatori sono stati in grado di esprimere le equazioni governanti, le regole per come i pezzi si incastrano e le condizioni ai bordi del sistema tutte come un unico obiettivo unificato: minimizzare l'errore, o "residuo", dell'intero sistema in una sola volta.

Tuttavia, questo nuovo spazio è teoricamente enorme, crescendo così tanto che memorizzarlo in un computer sarebbe impossibile per qualsiasi cosa tranne che per i problemi più semplici. È qui che entra in gioco la rete tensoriale. I ricercatori si sono resi conto che, sebbene lo spazio sia enorme, l'informazione effettiva necessaria per descrivere la soluzione è spesso molto più compatta perché le parti del sistema non sono tutte ugualmente connesse tra loro. Hanno utilizzato un tipo specifico di struttura di rete, chiamato stato di prodotto di matrici, che dispone i dati in una catena in cui ogni pezzo comunica direttamente solo con i suoi vicini immediati. Questa struttura agisce come un filtro, mantenendo solo le correlazioni essenziali tra gli elementi e scartando il resto. Utilizzando un algoritmo noto come gruppo di rinormalizzazione della matrice densità, che scorre avanti e indietro attraverso la catena per ottimizzare un pezzo alla volta, il computer può trovare la soluzione ottimale senza dover mai costruire l'intero, massiccio spazio nella sua memoria.

Per testare la loro idea, il team ha applicato il loro nuovo risolutore a un'equazione di diffusione, un modello comune di come il calore o le particelle si diffondano attraverso un materiale dove la capacità di condurre calore cambia a seconda della posizione. Hanno impostato una simulazione su un dominio monodimensionale, dividendolo in dieci piccoli segmenti e utilizzando un tipo specifico di funzione matematica per descrivere la soluzione all'interno di ogni segmento. Hanno poi lasciato che l'algoritmo girasse, regolando le connessioni tra i segmenti per minimizzare l'errore nell'equazione. I risultati hanno mostrato che il metodo ha prodotto una soluzione che era notevolmente vicina ai metodi standard e ben stabiliti utilizzati oggi, con differenze inferiori al cinque per cento nell'ampiezza dell'onda. Più importante ancora, la soluzione rimaneva fluida e continua attraverso i confini dei segmenti, provando che il metodo applicava correttamente le regole fisiche che richiedono alla soluzione di connettersi senza interruzioni da un pezzo all'altro.

I ricercatori hanno anche esaminato come l'accuratezza del metodo migliorasse rendendo la griglia più fine o utilizzando funzioni più complesse all'interno di ogni segmento. Hanno scoperto che l'errore diminuiva costantemente all'aumentare della risoluzione, confermando che il metodo converge alla risposta corretta man mano che la rappresentazione diventa più dettagliata. Tuttavia, hanno notato che questo miglioramento non è infinito; una volta che la risoluzione spaziale diventa molto alta, l'accuratezza è limitata dalla dimensione dei passi temporali utilizzati nella simulazione, un comportamento coerente con i metodi numerici standard. Lo studio ha dimostrato che, per questo specifico tipo di problema, il costo computazionale scala polinomialmente con il numero di elementi, il che significa che raddoppiare il numero di segmenti non raddoppia il lavoro, ma lo aumenta di un fattore molto più gestibile, a condizione che la complessità delle connessioni tra gli elementi rimanga limitata.

Questo lavoro non pretende di sostituire ogni metodo esistente per risolvere equazioni, né suggerisce che questo approccio sia una soluzione magica per tutti i tipi di problemi fisici. L'efficienza del metodo dipende fortemente dal fatto che la soluzione del problema specifico possa essere descritta da una rete compatta con un numero limitato di connessioni. Se il sistema fisico richiede un numero vasto di connessioni a lungo raggio, il metodo potrebbe non offrire un vantaggio rispetto alle tecniche tradizionali. Inoltre, l'implementazione attuale è limitata ai problemi monodimensionali e i ricercatori riconoscono che le costanti coinvolte nel calcolo possono diventare grandi se la complessità locale del problema aumenta. Ciononostante, lo studio stabilisce un percorso chiaro da seguire, mostrando che è possibile riorganizzare i blocchi costruttivi fondamentali dell'analisi degli elementi finiti in un framework che sia compatibile con questi potenti strumenti di ottimizzazione di ispirazione quantistica.

Separando l'approssimazione locale della soluzione dai vincoli globali che tengono insieme il sistema, i ricercatori hanno creato un framework flessibile che può essere adattato a diversi tipi di equazioni e condizioni al contorno senza cambiare il risolutore sottostante. Questa separazione permette allo stesso motore algoritmico di essere utilizzato per una vasta gamma di problemi, dal semplice flusso di calore alle interazioni non lineari più complesse. Il successo di questo approccio in un contesto monodimensionale suggerisce che potrebbe essere esteso a dimensioni superiori utilizzando geometrie di rete più complesse, aprendo potenzialmente la porta alla risoluzione di problemi che sono attualmente fuori portata per i computer classici. Il lavoro funge da prova di concetto che i principi delle reti tensoriali possono essere efficacemente traslati dal regno della meccanica quantistica nel mondo pratico e quotidiano dell'ingegneria e della matematica applicata, offrendo un nuovo strumento per comprendere i sistemi complessi e mutevoli che danno forma alla nostra realtà fisica.