Quantum Wavefunction Dynamics via Hard-Constrained Probability-Preserving Transformers

In de microscopische wereld van atomen en subatomaire deeltjes volgen de natuurwetten een set regels die wezenlijk verschillen van de regels die we in ons dagelijks leven ervaren. In plaats van te bewegen als solide ballen, gedragen deze minuscule objecten zich als rimpelingen op een vijver, die zich verspreiden en met elkaar interfereren. Wetenschappers beschrijven deze rimpelingen met een wiskundig object dat een golffunctie wordt genoemd. Deze golffunctie vertelt ons niet precies waar een deeltje zich bevindt, maar wel de waarschijnlijkheid om het op een specifieke plaats aan te treffen. Een fundamentele regel van deze kwantumwereld is dat de totale waarschijnlijkheid om het deeltje ergens aan te treffen altijd moet optellen tot honderd procent. Als een berekening suggereert dat de totale waarschijnlijkheid iets meer of minder is dan dat, dan is het resultaat fysiek onmogelijk, zelfs als de getallen dichtbij lijken te liggen. Het voorspellen hoe deze waarschijnlijkheidsgolven in de loop van de tijd veranderen, is essentieel voor het begrijpen van alles, van hoe elektronen bewegen in een computerchip tot hoe licht met materie interageert. Het uitvoeren van deze berekeningen op een computer is echter ongelooflijk moeilijk. De vergelijkingen zijn complex, en om een nauwkeurig beeld van de toekomst te krijgen, moet een computer vaak miljoenen kleine stappen zetten, waarbij de toestand van het systeem op elk enkel moment wordt gecontroleerd. Dit proces is traag en vereist een enorme hoeveelheid rekenkracht, vooral wanneer wetenschappers veel verschillende scenario's willen simuleren of ver in de toekomst willen kijken.

Een team van onderzoekers heeft een nieuwe aanpak ontwikkeld om dit probleem op te lossen door een type kunstmatige intelligentie te leren de natuurwetten vanaf het begin te respecteren. In plaats van simpelweg een computer te vragen om de volgende stap in een kwantumsysteem te raden en te hopen dat de totale waarschijnlijkheid correct blijft, hebben ze een specifiek soort neuraal netwerk gebouwd dat die fout fysiek niet kan maken. Ze noemen dit systeem een waarschijnlijkheidsbehoudende transformer. In hun studie concentreerden ze zich op een eenvoudige maar klassieke kwantumopstelling: een deeltje gevangen in een eendimensionale doos, dat heen en weer stuitert tussen twee wanden. Dit scenario is een standaardtest voor kwantumtheorieën, vergelijkbaar met hoe een vallende appel dient voor de zwaartekracht. De onderzoekers trainden hun kunstmatige intelligentie op gegevens gegenereerd door een zeer nauwkeurige, traditionele methode bekend als het Crank-Nicolson-schema, wat fungeert als een gouden standaard voor deze berekeningen. Ze voedden de AI met korte geschiedenissen van hoe de golffunctie in de loop van de tijd bewoog en vroegen het om te voorspellen wat er hierna zou gebeuren. Cruciaal was dat ze de architectuur van de AI zo ontwierpen dat de uitkomst na een voorspelling gedwongen werd te normaliseren, waardoor de totale waarschijnlijkheid exact één bleef, precies zoals de natuur vereist. Dit was geen zachte suggestie of een straf voor het fout zijn; het was een harde regel ingebouwd in de structuur van de machine.

De resultaten lieten zien dat deze methode opmerkelijk goed werkt. Wanneer getest op de eenvoudige grondtoestand van het deeltje, voorspelde de AI de toekomstige beweging van de golf met hoge precisie, waarbij de traditionele berekeningen bijna perfect werden benaderd. Nog belangrijker was dat de totale waarschijnlijkheid nooit afweek. Terwijl een standaard, ongeconstrueerde AI-model voorspellingen produceerde waarbij de totale waarschijnlijkheid langzaam opliep naar ongeveer 1,045, een duidelijke schending van de natuurwet, hield het nieuwe systeem de waarschijnlijkheid exact op één, tot aan de grenzen van de computerprecisie. De onderzoekers testten het systeem vervolgens verder door het te testen op scenario's die het nog nooit eerder had gezien. Ze gaven het data die te maken hadden met aangeslagen toestanden, bewegende golfpakketten en complexe combinaties van verschillende toestanden. Zelfs zonder expliciet getraind te zijn op deze specifieke nieuwe situaties, generaliseerde de AI haar kennis en voorspelde zij succesvol de evolutie van deze diverse kwantumtoestanden. De voorspellingen bleven accuraat en de behoud van waarschijnlijkheid bleef standhouden over al deze verschillende families van initiële condities. Het systeem had de trainingsdata niet alleen onthouden; het had de onderliggende regels geleerd van hoe de kwantumtoestand evolueert.

Naast nauwkeurigheid onthulde de studie een aanzienlijk voordeel in snelheid. De traditionele methode vereist dat de computer elke enkele tussenliggende stap tussen het heden en de toekomst berekent, een proces dat langzamer wordt naarmate men verder in de toekomst wil kijken. In contrast hiermee kan het getrainde AI-model direct naar een toekomstige toestand springen op basis van een korte geschiedenis van het verleden. Voor een voorspellingshorizon van honderd tijdstappen was de AI meer dan vijftien keer sneller dan de traditionele methode. Wanneer er nog verder vooruit werd gekeken, naar honderd vijfennegentig stappen, groeide het snelheidsvoordeel naar meer dan tweeëntwintig keer sneller. Dit suggereert dat voor langetermijnsimulaties, waarbij de traditionele methode een flessenhals vormt, deze nieuwe aanpak een krachtig alternatief kan bieden. De onderzoekers merkten op dat hoewel de AI zeer accuraat was, er nog steeds kleine fouten waren, met name bij het voorspellen van het gedrag van bepaalde complexe golfpakketten. Deze fouten waren echter gelokaliseerd en zorgden er niet voor dat het systeem instortte of de fundamentele wetten van de waarschijnlijkheid schond. De studie concludeert dat door fysieke beperkingen direct in het ontwerp van machine learning-modellen in te bedden, wetenschappers hulpmiddelen kunnen creëren die niet alleen sneller, maar ook betrouwbaarder en fysiek consistent zijn, wat de deur opent naar het simuleren van complexe kwantumdynamica die voorheen te kostbaar waren om te berekenen.