De neurale netwerken die vorig jaar de mensheid versloegen in het oeroude spel go, zijn toe aan een volgende stap. Wetenschappers hebben een neuraal netwerk gemaakt dat zijn tanden zet in extreem complexe quantummechanische systemen.

Kan een neuraal netwerk ooit over de kat van Schrödinger dromen? Foto: Moyan Brenn
Kan een neuraal netwerk ooit over de kat van Schrödinger dromen? Foto: Moyan Brenn

Het computerprogramma AlphaGo van Google maakte vorig jaar furore door de wereldkampioen go te verslaan. Naar aanleiding van dit succes besloot Giuseppe Carleo van de ETH Zürich in Zwitserland een soortgelijke zelflerende computer te bouwen. Daarmee wil hij een van de neteligste problemen in de quantumfysica oplossen.

Go is een stuk complexer dan bijvoorbeeld schaken. Het aantal mogelijke posities op een go-bord kan groter zijn dan het aantal atomen in het heelal. Daarom heeft een aanpak gebaseerd op rekenen met brute kracht, wat bij schaken nog wel werkt, bij go weinig zin. In dat opzicht lijkt go op een klassiek probleem in de quantumfysica: hoe beschrijf je een quantumsysteem dat uit vele miljarden atomen bestaat, die allemaal onderling complexe interacties aangaan?

De geschiedenis van de  wiskunde is diverser dan je denkt
LEES OOK

De geschiedenis van de wiskunde is diverser dan je denkt

Wiskunde is niet alleen afkomstig van de oude Grieken. Veel van onze kennis komt van elders, waaronder het oude China, India en het Arabisch Schiereil ...

Veel quantumdeeltjes hebben de eigenschap ‘spin’; die kan omhoog en omlaag zijn. Het aantal spintoestanden dat een groep van slechts honderd quantumdeeltjes kan bevatten, is bijna een quintiljoen – een één met dertig nullen. Het huidige record voor het simuleren van zo’n systeem staat op 48 spintoestanden. Daarvoor werden ’s werelds krachtigste supercomputers gebruikt. Carleo schat dat zelfs als we de volledige planeet tot harde schijf zouden omtoveren, we nog steeds niet meer dan honderd spintoestanden op deze manier zouden kunnen simuleren.

Dit is waar kunstmatige neurale netwerken van pas kunnen komen. Geef zo’n netwerk de spelregels van go en het zal de optimale winstrategie uitvogelen. Wellicht is dat ook mogelijk voor quantumsystemen.

‘Neurale netwerken zijn erg goed in generaliseren. Ze kunnen uit een beperkte hoeveelheid informatie heel veel achterhalen’, zegt Carleo. Voer een neuraal netwerk bijvoorbeeld een paar foto’s van Carleo en het zal hem razendsnel herkennen in foto’s die het nog nooit eerder had gezien.

Om dit idee te toetsen, bouwde Carleo met mede-auteur Matthias Troyer een eenvoudig neuraal netwerk dat de golffunctie van een veeldeeltjessysteem reconstrueerde. Dat is de set vergelijkingen die de waarschijnlijkheid van alle mogelijke toestanden weergeeft.

Droom over Schrödingers kat

Carleo en Troyer legden het neurale netwerk enkele standaardproblemen voor waarvan de uitkomst bekend was. Ze zagen dat het netwerk beter presteerde dan algoritmen die eerder op veeldeeltjessystemen zijn losgelaten. Dat geeft aan hoe veelbelovend de techniek is. Een complexer neuraal netwerk zou nog veel effectiever moeten zijn.

‘Het is alsof je een computer hebt die geheel zelfstandig leert hoe de quantummechanica moet worden gekraakt’, zegt Carleo. ‘Ik noem het graag een apparaat dat over de kat van Schrödinger droomt.’

‘Dit is ongelofelijk cool’, zegt Scott Aaronson van de University of Texas in de VS. ‘Als je het succes van zelflerende computers op vrijwel elk denkbaar terrein in ogenschouw neemt, is het logisch om ze ook voor quantumfysica te gebruiken. Voor zover ik weet is dit echter de eerste keer dat iemand dat heeft gedaan. Ik verwacht hier in de toekomst nog veel over te zullen horen.’

Altijd op de hoogte blijven van het laatste wetenschapsnieuws? Meld je nu aan voor de New Scientist nieuwsbrief.

Lees verder: