Physics-Informed Classical and Quantum Neural Networks for One-Dimensional Schrodinger Eigenvalue Problems

In de kern van ons begrip van het universum ligt een enkele, hardnekkige uitdaging: het voorspellen van hoe minuscule deeltjes zoals elektronen bewegen en zich rondom atomen nestelen. In de wereld van het zeer kleine volgen deeltjes niet de vloeiende, voorspelbare banen van planeten of honkbal, maar bestaan ze als golven van waarschijnlijkheid, beschreven door een wiskundige regel die bekend staat als de Schrödinger-vergelijking. Deze regel vertelt ons precies waar een deeltje waarschijnlijk te vinden is en hoeveel energie het bevat, maar het oplossen ervan is berucht moeilijk. Voor eenvoudige, geïdealiseerde situaties kennen wetenschappers de antwoorden al bijna een eeuw. Maar voor de complexe, chaotische systemen die de werkelijke materie vormen, worden de vergelijkingen zo verstrengeld dat zelfs de krachtigste supercomputers moeite hebben om een oplossing te vinden. Hier komen een nieuwe generatie hulpmiddelen in beeld, die ideeën uit kunstmatige intelligentie lenen om de fysica van de subatomaire wereld te ontwarren.

Onderzoekers in Pakistan en Mexico hebben onlangs twee van deze nieuwe hulpmiddelen getest op drie klassieke problemen die dienen als trainingsgrond voor elke nieuwe oplosser. Ze wilden zien of een standaard computerprogramma en een gespecialiseerd kwantumcomputerprogramma beide konden leren de Schrödinger-vergelijking op te lossen zonder dat ze één enkel voorbeeld van het juiste antwoord gevoerd kregen. In plaats van gegevens te memoriseren, werden deze programma's direct onderwezen in de wetten van de fysica. Ze kregen de regels van het spel – de vergelijking die het gedrag van het deeltje bepaalt, de vereiste dat het deeltje ergens in de ruimte moet bestaan, en de regel dat verschillende energietoestanden niet mogen overlappen – en kregen de opdracht om de rest uit te werken. Het doel was om te zien of deze "fysica-geïnformeerde" netwerken de precieze energieniveaus en golfvormen van een deeltje dat gevangen zit in een doos of beweegt in een gladde curve, konden vinden, waarbij ze de bekende antwoorden met hoge precisie benaderen.

Het team concentreerde zich op drie specifieke scenario's die natuurkundigen gebruiken om hun methoden te testen. De eerste was de harmonische oscillator, een model van een deeltje dat heen en weer stuitert in een gladde, gebogen vallei. Dit is een zacht probleem waarbij de golfvorm van het deeltje geleidelijk verandert. Vervolgens keken ze naar de oneindige vierkante put, een doos met wanden die zo hoog zijn dat het deeltje niet kan ontsnappen, waardoor de golf abrupt bij de randen op nul moet uitkomen. Ten slotte onderzochten ze de eindige vierkante put, een doos met wanden van beperkte hoogte, waardoor het deeltje enigszijn beetje kan lekken in de verboden regio buiten de doos. Deze drie gevallen dekken een breed scala aan moeilijkheidsgraden: gladde curves, scherpe hoeken en de lastige zaak van deeltjes die hun opsluiting ontsnappen.

Om deze op te lossen, bouwden de onderzoekers twee verschillende soorten leersystemen. De eerste was een klassiek neuraal netwerk, een standaard computerprogramma dat is ontworpen om de manier waarop biologische neuronen verbinden en vuren na te bootsen. Het tweede was een kwantum neuraal netwerk, dat draait op een gesimuleerde kwantumcomputer. Dit tweede systeem maakt gebruik van de vreemde eigenschappen van de kwantummechanica, zoals superpositie en verstrengeling, om gelijktijdig een enorm landschap van mogelijkheden te verkennen. Beide systemen werden getraind met een samengestelde score die hen bestrafte als ze de fysieke regels overtraden. Als de golffunctie niet aan de Schrödinger-vergelijking voldeed, steeg de score. Als de golf niet binnen de doos paste of als twee verschillende energietoestanden te veel op elkaar leken, steeg de score. De systemen pasten hun interne instellingen aan over duizenden pogingen om deze score te verlagen, waardoor ze zichzelf effectief de oplossing leerden.

De resultaten lieten zien dat beide methoden opmerkelijk goed werkten. Voor de vloeiende harmonische oscillator vonden zowel de klassieke als de kwantumnetwerken de energieniveaus van de eerste vier toestanden met een fout die zo klein is dat het neerkomt op enkele delen per miljoen. Ze reproduceerden de exacte golfvormen bijna perfect, passend bij de bekende wiskundige oplossingen. Toen de onderzoekers overgingen naar de vierkante putten, waar de wanden scherp zijn en de fysica abrupter is, presteerden de netwerken nog steeds met hoge getrouwheid. Ze herstelden de correcte energieniveaus en golffuncties, zelfs waar het potentiaal plotseling veranderde, een taak die traditionele numerieke methoden die vertrouwen op een rigide rooster vaak in de problemen brengt.

Er kwam een cruciaal verschil naar voren toen de onderzoekers naar de moeilijkere, hogere energietoestanden keken. Naarmate de deeltjes meer geëxciteerd raakten, met complexere golfpatronen, begon het klassieke netwerk te worstelen. Het vond het moeilijker om door het complexe landschap van mogelijkheden te navigeren om de beste oplossing te vinden, waarbij het vaak vastliep in lokale fouten. Het kwantumnetwerk hanteerde deze hogere toestanden echter betrouwbaarder. Omdat het kwantumcircuit een continu bereik van transformaties over zijn gehele systeem kan verkennen, behield het zijn vermogen om de juiste oplossing te vinden, zelfs naarmig de fysieke situatie complexer werd. Dit suggereert dat hoewel klassieke computers eenvoudige kwantumproblemen met grote nauwkeurigheid kunnen oplossen, kwantumsystemen een duidelijk voordeel kunnen hebben naarmate de complexiteit van het fysieke systeem toeneemt.

De studie bevestigt dat deze fysica-geïnformeerde benaderingen een levensvatbare manier zijn om kwantumproblemen op te lossen zonder dat er enorme hoeveelheden vooraf berekende gegevens nodig zijn. Door de wetten van de fysica direct in het leerproces in te bedden, vermijden de netwerken de noodzaak voor de rigide roosters die traditionele methoden vereisen, waardoor ze van nature geschikt zijn voor problemen waarbij de ruimte moeilijk netjes te verdelen is. Hoewel de huidige tests beperkt waren tot eendimensionale systemen met bekende antwoorden, wijst het succes van zowel de klassieke als de kwantumversie op een toekomst waarin deze hulpmiddelen de complexe, multidimensionale systemen kunnen aanpakken die men vindt in echte materialen en moleculen. De kwantumbenadering in het bijzonder toonde een robuustheid die duidt op een groeiend vermogen om de meest uitdagende berekeningen in de kwantumfysica aan te kunnen, wat een nieuw pad biedt voor het begrijpen van de bouwstenen van de natuur.