Wenn Sie eine Masse unterkühlter Atome mit einem Magnetfeld zappen, sehen Sie "Quantenfeuerwerk" - Jets von Atomen, die in scheinbar zufällige Richtungen abfeuern.
Die Forscher entdeckten dies bereits 2017 und vermuteten, dass dieses Feuerwerk ein Muster aufweisen könnte. Aber sie konnten es nicht alleine erkennen. Also übergaben sie das Problem einem Computer, der in Pattern Matching geschult war und in der Lage war, zu erkennen, was sie nicht konnten: eine Form, die vom Feuerwerk im Laufe der Zeit gemalt wurde, in Explosion nach Atomstrahl. Diese Form? Eine funky kleine Schildkröte.
Die Ergebnisse, die am 1. Februar in der Fachzeitschrift Science als Bericht veröffentlicht wurden, gehören zu den ersten wichtigen Beispielen für Wissenschaftler, die maschinelles Lernen zur Lösung quantenphysikalischer Probleme einsetzen. Die Leute sollten damit rechnen, mehr digitale Assists dieser Art zu sehen, schrieben die Forscher, da quantenphysikalische Experimente zunehmend Systeme beinhalten, die zu groß und komplex sind, um sie nur mit Brainpower zu analysieren.
Hier ist, warum die computergestützte Hilfe notwendig war:
Um das Feuerwerk zu erzeugen, begannen die Forscher mit einem Materiezustand, der als Bose-Einstein-Kondensat bezeichnet wurde. Das ist eine Gruppe von Atomen, die auf Temperaturen gebracht werden, die so nahe am absoluten Nullpunkt liegen, dass sie zusammenklumpen und sich wie ein Superatom verhalten und Quanteneffekte in relativ großen Maßstäben zeigen.
Jedes Mal, wenn ein Magnetfeld auf das Kondensat traf, schossen eine Handvoll Atomstrahlen in scheinbar zufälligen Richtungen davon weg. Die Forscher machten Bilder der Jets und lokalisierten die Positionen der Atome im Raum. Aber selbst viele dieser übereinander geschichteten Bilder zeigten keinen offensichtlichen Reim oder Grund für das Verhalten der Atome.
über Gfycat
Was der Computer sah, dass Menschen nicht konnten, war, dass ein klares Bild entstand, wenn diese Bilder gedreht wurden, um übereinander zu sitzen. Die Atome neigten im Durchschnitt dazu, sich bei jeder Explosion in einer von sechs Richtungen relativ zueinander vom Feuerwerk wegzuwerfen. Das Ergebnis war, dass genügend Bilder, die richtig gedreht und geschichtet wurden, vier "Beine" im rechten Winkel zueinander sowie einen längeren "Kopf" zwischen zwei Beinen zeigten, der mit einem "Schwanz" zwischen den beiden anderen übereinstimmte . Der Rest der Atome war ziemlich gleichmäßig auf drei Ringe verteilt, aus denen das Schildkrötenpanzer bestand.
Dies war für menschliche Beobachter nicht offensichtlich, da die Richtung, in die sich die "Schildkröte" während jeder Explosion orientierte, zufällig war. Und jede Explosion machte nur ein paar Teile des gesamten schildkrötenförmigen Puzzles aus. Es bedurfte der unendlichen Geduld eines Computers, um unordentliche Daten zu sichten und herauszufinden, wie alle Bilder so angeordnet werden konnten, dass die Schildkröte auftauchte.
Diese Art von Methode, bei der die Mustererkennungsfähigkeiten eines Computers in einem großen, unordentlichen Datensatz verloren gehen, hat sich als effektiv erwiesen, angefangen bei der Interpretation der Gedanken, die durch das menschliche Gehirn gehen, bis hin zum Erkennen von Exoplaneten, die entfernte Sterne umkreisen. Das bedeutet nicht, dass Computer Menschen übertreffen. Die Leute müssen die Maschinen noch trainieren, um die Muster zu bemerken, und die Computer verstehen in keiner sinnvollen Weise, was sie sehen. Der Ansatz ist jedoch ein zunehmend verbreitetes Werkzeug im wissenschaftlichen Toolkit, das jetzt auf die Quantenphysik angewendet wird.
Sobald der Computer dieses Ergebnis gefunden hatte, überprüften die Forscher seine Arbeit mit einigen altmodischen Musterjagdtechniken, die bereits in der Quantenphysik üblich sind. Und als sie wussten, wonach sie suchen sollten, fanden die Forscher die Schildkröte wieder, auch ohne die Hilfe des Computers.
Keine dieser Untersuchungen erklärt bisher, warum das Feuerwerk im Laufe der Zeit die Schildkrötenform aufweist, betonten die Forscher. Und das ist nicht die Art von Frage, die maschinelles Lernen gut beantworten kann.
"Das Erkennen eines Musters ist immer der erste Schritt in der Wissenschaft, daher könnte diese Art des maschinellen Lernens verborgene Beziehungen und Merkmale identifizieren, insbesondere wenn wir versuchen, Systeme mit einer großen Anzahl von Partikeln zu verstehen", so der leitende Autor Cheng Chin, Physiker bei die Universität von Chicago, sagte in einer Erklärung.
Der nächste Schritt, um herauszufinden, warum diese Feuerwerke ein Schildkrötenmuster bilden, wird wahrscheinlich viel weniger maschinelles Lernen und viel mehr menschliche Intuition beinhalten.
