جادوی هوش مصنوعی در طراحی آزمایشات فیزیک کوانتوم

جادوی هوش مصنوعی در طراحی آزمایشات فیزیک کوانتوم

جادوی هوش مصنوعی در طراحی آزمایشات فیزیک کوانتوم

هوش مصنوعی در ابتدا با هدف سرعت بخشیدن به محاسبات ریاضیاتی طرح‌ریزی شد. امروزه اما، یک سیستم یادگیری ماشین می‌تواند مرزهای فیزیک کوانتومی تجربی را به صورتی غیرقابل باور تکان دهد.

فیزیکدان کوانتوم Mario Krenn روزی در اوایل سال ۲۰۱۶ را به یاد می‌آورد که در کافه‌ای در وین، اتریش نشسته بود و با سردرگمی مقاله‌هایی را زیر و رو می‌کرد تا بتواند آنچه MELVIN کشف کرده بود را، درک کند. MELVIN یک الگوریتم یادگیری ماشین بود که Krenn آن را ساخته بود، نوعی هوش مصنوعی خارق‌العاده! وظیفه آن ترکیب عناصر سازنده آزمایش‌های کوانتومی استاندارد، ایجاد سازگاری میان این اجزا و یافتن راه حل مناسب برای رفع مشکلات بود. MELVIN در حل بسیاری از مشکلات به صورت موفقی عمل کرده بود، اما یک مورد وجود داشت که منطق آن دور از فهم بود.

Krenn می‌گوید: در ابتدا خیال می‌کردم برنامه‌ای که نوشته‌ام اشکال دارد، زیرا نمی‌تواند راه حل مناسب را پیدا کند. MELVIN پیش از این، مسائلی همچون حالت‌های پیچیدگی درهم تنیدگی چندین فوتون را حل کرده بود. (حالات در هم تنیده آن‌هایی هستند که روزگاری آلبرت اینشتین آن‌ها را مسئله عمل شبح‌وار در فاصله دور نامید). Krenn، َAnton Zeilinger و همکارانشان از دانشگاه وین اتریش هیچ‌گاه به صورت صریح روش یافتن راه‌حل برای چنین مسائل پیچیده‌ای را به MELVIN آموزش نداده بودند، با این‌حال او در یافتن پاسخ موفق بود. Krenn در نتیجه مطالعات خود دریافت که الگوریتم نوشته شده، نوعی آرایش آزمایشگاهی که در سال ۱۹۹۰ ابداع شده بود را، کشف کرده است. اما این آرایش آزمایشگاهی بسیار ساده بوده است. آنچه MELVIN حل کرده بود، معمایی بسیار پیچیده‌تر است.

Krenn که اکنون در دانشگاه تورنتو است، در این باره می‌گوید: وقتی فهمیدیم اوضاع از چه قرار است، توانستیم به سرعت راه حل را تعمیم دهیم. از آن زمان تیم‌های دیگر شروع به تکرار آزمایش‌هایی کردند که MELVIN شناسایی کرده بود. این کار به آن‌ها اجازه می‌دهد مفاهیم بنیادی مکانیک کوانتوم را با روش‌های جدید مورد بررسی قرار دهند.

اخیرا، Krenn و همکارانش در دانشگاه تورنتو، این الگوریتم‌های یادگیری ماشین را اصلاح کرده‌اند. آخرین تلاش آن‌ها، الگوریتمی به نام THESEUS است. این الگوریتم سرعت بیشتری نسبت به MELVIN دارد و تحلیل نتایج بدست آمده نیز آسان‌تر است. در حالیکه برای تجزیه و تحلیل نتایج پیچیده MELVIN چند روز یا چند هفته زمان نیاز است، اما در مورد THESEUS اوضاع چندان دشوار نیست.

به گفته Renato Renner، این الگوریتم واقعا شگفت‌انگیز است. Renner فیزیکدان نظری کوانتوم در موسسه فیزیک نظری فدرال سوئیس در زوریخ است که در سال ۲۰۲۰ بر روی THESEUS مطالعاتی داشته است. با این‌حال او به صورت مستقیم عضو گروه مطالعاتی این الگوریتم نبوده است.

داستان ظهور این الگوریتم به زمانی بازمی‌گردد که Krenn و همکارانش در تلاش بودند تا حالت‌های کوانتومی فوتون‌های درهم‌تنیده را به صورت آزمایشگاهی مورد بررسی قرار دهند. هنگامی که دو فوتون اندرکنش می‌کنند، با یکدیگر در هم‌تنیده می‌شوند. بدین ترتیب می‌توان آن‌ها با یک حالت کوانتومی یکتا و مشترک از لحاظ ریاضیاتی توصیف کرد. اگر حالت یکی از فوتون‌ها اندازه‌گیری شود، حالت فوتون دیگر به سرعت تنظیم می‌شود و این موضوع ارتباطی با فاصله آن‌ها ندارد. اگر دو فوتون کیلومترها نیز با یکدیگر فاصله داشته باشند، باز هم اندازه‌گیری حالت یک فوتون، بر حالت فوتون دیگر تاثیر می‌گذارد. ( از همین رو، اینشتین درهم‌تنیدگی را عملی شبح‌وار توصیف کرد.)

در سال ۱۹۸۹، سه فیزیکدان با نام‌های Daniel Greenberger، Michael Horne و Zeilinger حالت درهم‌تنیده‌ای را توصیف کردند که به اختصار حروف اول اسامی‌شان به GHZ معروف شده است. در این سیستم چهار عدد فوتون می‌توانند در یک برهم‌نهی کوانتومی، در دو حالت کوانتومی صفر و یا یک باشند. (هر حالت کوانتومی یک کیوبیت نامیده می‌شود). در این مقاله، وضعیت GHZ شامل درهم آمیختن چهار کیوبیت به صورتی است که کل سیستم در برهم‌نهی کوانتومی دو بعدی در حالت ۰۰۰۰ و یا ۱۱۱۱ قرارگیرد. اگر یکی از فوتون‌ها اندازه‌گیری شود و حالت آن را ۰ بیابیم، برهم‌نهی از بین می‌رود و فوتون‌های دیگر نیز در حالت ۰ قرار می‌گیرند. همین توصیف برای حالت کوانتومی ۱ نیز برقرار است. در اواخر دهه ۱۹۹۰، Zeilinger و همکارانش برای اولین بار با استفاده از سه کیوبیت به صورت آزمایشی حالت GHZ را مشاهده کردند.

از سویی دیگر هدف Krenn و همکارانش، دست‌یابی به GHZ در ابعاد بالاتر بود. آن‌ها تمایل داشتند با سه عدد فوتون کار کنند، که هر فوتون دارای سه بُعد است. بدین ترتیب که حالت‌های سیستم می‌تواند ۰، ۱ و یا ۲ باشد. این حالت کوانتومی را کیوتریت می‌نامند. درهم‌تنیدگی که در نهایت مشاهده شد، یک حالت سه بعدی GHZ بود که برهم‌نهی حالت‌های ۰۰۰، ۱۱۱ و ۲۲۲ است. چنین حالت‌های کوانتومی، نقش اساسی در افزایش امنیت ارتباطات کوانتومی دارند و همچنین می‌توانند به محاسبات کوانتومی سرعت ببخشند. در اواخر سال ۲۰۱۳ محققان هفته‌های متمادی به طراحی آزمایش‌های مختلف به صورت نظری پرداختند تا ببینند آیا پیش فرض‌ها و تنظیماتی که در نظر گرفته‌اند، می‌تواند حالت‌های کوانتومی مورد نظرشان را ایجاد کند یا خیر. آن‌ها هر بار با شکست روبرو شدند. Krenn می‌گوید: واقعا دیوانه کننده است. چرا نمی‌توانیم به یک پیش فرض مناسب برای مسئله برسیم؟

برای سرعت بخشیدن به روند کار، Krenn ابتدا یک برنامه کامپیوتری نوشت که یک پیش فرض آزمایشی را در نظر می‌گیرد و مطابق با آن، نتیجه را محاسبه می‌کند. سپس او برنامه را به صورتی ارتقا داد که مجاز باشد از بلوک‌های سازنده‌‌ای در انجام محاسبات خود استفاده کند که در حین انجام آزمایشات نیز دقیقا از همین بلوک‌ها برای خلق و کنترل فوتون‌ها در جایگاه اپتیکی استفاده می‌شود. از جمله جایگاه‌های اپتیکی می‌توان به لیزرها، کریستال‌های غیرخطی، شکاف دهنده پرتو، شیفت دهنده فاز، هولوگرام و موارد مشابه اشاره کرد.

برنامه در فضایی از پیکربندی‌ها که در آن‌ها بلوک‌های سازنده به صورت تصادفی توزیع شده و با یکدیگر مطابقت داده شده‌اند، گردش می‌کند، محاسبات را انجام می‌دهد و نتیجه نهایی را ارائه می‌دهد. بدین ترتیب MELVIN متولد شد. Krenn در این باره می‌گوید: برنامه در عرض تنها چند ساعت توانست راه‌حلی ارائه دهد که ما سه دانشمند در بدست آوردن آن ناموفق بودیم. آن روز دیوانه‌کننده بود. آنچه اتفاق افتاده بود را به هیچ وجه باور نمی‌کردیم.

در مراحل بعد MELVIN هوشمندتر شده است. هر زمان که پیش فرض جدیدی پیدا می‌شد که قادر بود کار مفیدی انجام دهد، MELVIN این حالت پیش فرض را به جعبه ابزار خود اضافه می‌کرد. به گفته Krenn، این پیشرفت الگوریتم سبب می‌شود تا MELVIN بتواند مسائل پیچیده‌تر را نیز حل کند.

این حالت تکامل یافته MELVIN بود که سبب تعجب بسیار Krenn در کافه شد. او در ابتدا برنامه خود را با یک جعبه ابزار آزمایشگاهی که شامل دو کریستال است، تنظیم کرده بود. هر کریستال می‌تواند یک جفت فوتون که در سه بعد در هم‌تنیده است را، تولید کند. انتظار می‌رفت MELVIN در نهایت بتواند پیکربندی‌هایی را پیدا کند که جفت فوتون‌ها را به منظور ساخت حالت‌های درهم‌تنیده نُه بعدی باهم ترکیب می‌کند. اما نتیجه بدست آمده واقعا عجیب بود. MELVIN راه‌حل بسیار نادری پیدا کرد. این حالت نادر شامل درهم‌تنیدگی پیچیده‌تری به نسبت آنچه انتظار می‌رفت، بود.

سرانجام او دریافت که MELVIN از تکنیکی استفاده کرده است که چندین تیم در همکاری با یکدیگر، نزدیک به سه دهه پیش آن را ایجاد کرده‌اند. در سال ۱۹۹۱، چنین روشی توسط Xin Yu Zou, Li Jun Wang و Leonard Mandel که همگی دانشجویان دانشگاه Rochester بوده‌اند، طراحی شده است. سپس در سال ۱۹۹۴، Zeilinger و دیگر همکارانش در دانشگاه Innsbruck در استرالیا مطالعاتی در این زمینه انجام دادند. از لحاظ مفهومی، در این آزمایش‌ها یک مسئله مشترک مورد بررسی قرار می‌گیرد اما، پیکربندی که Zeilinger و همکارانش در نظر گرفته‌اند، درک آسان‌تری دارد.

این مسئله با یک کریستال شروع می‌شود که دو جفت فوتون تولید می‌کند. این فوتون‌ها را A و B می‌نامیم. مسیرهایی که فوتون‌ها می‌پیمایند از طریق حضور کریستال دیگری مشخص می‌شود که خود آن کریستال نیز قادر است دو فوتون با نام‌های C و D  تولید کند. مسیرهایی که فوتون A از کریستال اول و فوتون C از کریستال دوم می‌پیمایند، کاملا با یکدیگر همپوشانی دارد و به یک آشکارساز یکسان ختم می‌شود. اگر آن آشکارساز کلیک کند، تشخیص اینکه منشا فوتون از کریستال اول است و یا دوم، غیرممکن است. همین اتفاق برای فوتون‌های B و D نیز می‌افتد.

یک شیفت دهنده فاز وسیله‌ای است که به صورت مداوم مقدار مسافت پیموده شده توسط فوتون که در حقیقت به صورت کسری از طول موج است را، افزایش می‌دهد. اگر یک شیفت دهنده فاز را در مسیر بین بلورها قرار دهیم و فاز را به صورت مداوم تغییر دهیم، می‌توانیم در آشکارسازها تداخل سازنده و یا مخرب ایجاد کنیم. به عنوان مثال، هر کدام از بلورها می‌توانند تعداد تقریبی ۱۰۰۰ جفت فوتون در ثانیه تولید کنند. به کمک تداخل سازنده می‌توان این رقم را به ۴۰۰۰ جفت فوتون در ثانیه رساند. از سویی دیگر اگر از تداخل مخرب استفاده کنیم، تعداد جفت فوتون‌ها به مقدار صفر می‌رسد. Krenn عقیده دارد که فکر کردن به این موضوع واقعا ذهن انسان را مشغول می‌کند.

اما آنچه در مورد MELVIN جالب است، وجود مسیرهای تداخلی متعدد است. Krenn در ابتدا ناامید بود و به این موضوع می‌اندیشید که الگوریتم طراحی شده فقط شامل دو عدد کریستال در جعبه ابزار خود است. او به جای استفاده از این کریستال‌ها در هنگام نصب، آن‌ها را درون یک تداخل‌سنج قرار داده بود (دستگاهی که مسیر یک فوتون را به دو قسمت تقسیم می‌کند و سپس آن‌ها را مجددا با یکدیگر ترکیب می‌کند). پس از تلاش فراوان او متوجه شد تنظیماتی که بر روی MELVIN پیاده‌سازی شده است، معادل با حالتی است که یک کریستال بیشتر در سیستم وجود داشته باشد و هرکدام جفت فوتون‌ها را به صورتی تولید کنند که مسیرهای آن‌ها تا آشکارسازها با یکدیگر همپوشانی داشته باشد. از این پیکربندی می‌توان در تولید حالت‌های درهم‌تنیده با ابعاد بالاتر استفاده کرد.

Nora Tischler، فیزیکدان کوانتومی که پیش از آن دوره دکترای خود را تحت نظر Zeilinger گذرانده بود، بر روی میزان پیشرفت MELVIN مطالعاتی داشته است. او عقیده دارد: از همان ابتدا مشخص بود که اگر این الگوریتم نوشته نشده بود، امکان انجام چنین آزمایشاتی نیز وجود نداشت.

علاوه بر امکان ایجاد حالت‌های پیچیده درهم‌تنیده، می‌توان از پیکربندی‌هایی با تعداد بیش از دو کریستال استفاده کرد که مسیرهایشان همپوشانی دارند. در این صورت می‌توان آزمایش تداخل‌سنجی کوانتومی Zeilinger در سال ۱۹۹۴ با دو کریستال را تعمیم داد. Aephraim Steinberg، آزمایشگری از دانشگاه تورنتو که همکار سابق Krenn نیز بوده، اما شانس همکاری در این پروژه را نداشته است، بسیار تحت تاثیر شگفتی‌های هوش مصنوعی و الگوریتم نوشته شده قرار گرفته است. او می‌گوید: این یک روش تعمیمی است که به باور من، هیچکس حتی نمی‌توانست آن را برای دهه‌های آینده نیز متصور شود. آزمایشات انجام شده نمونه‌های اولیه از اکتشافات جدید توانایی‌های هوش مصنوعی است.

در یکی از چنین پیکربندی‌های تعمیم یافته‌ای، می‌توان سیستمی با چهار کریستال را در نظر گرفت که هرکدام از آن‌ها یک جفت فوتون تولید می‌کنند. این دسته از فوتون‌ها مسیرهایی دارند که با یکدیگر تداخل دارند. تداخل کوانتومی می‌تواند شرایطی را ایجاد کند که هر چهار آشکارساز کلیک کنند (در صورتی که تداخل سازنده است) و یا هیچ یک از آن‌ها کار نکنند (در این صورت تداخل مخرب است).

اما تا همین اواخر، انجام چنین آزمایشی فقط یک رویای دور بوده است. تا اینکه در مقاله منتشر شده در ماه مارس، تیمی به رهبری Lan Tian Feng از دانشگاه علم و صنعت چین، در همکاری با Krenn گزارش دادند که تمام پیکربندی و تنظیمات لازم را بر روی یک تراشه فوتونیکی جمع‌آوری کرده‌ و موفق به انجام آزمایش بوده‌اند. محققان بیش از ۱۶ ساعت داده جمع‌آوری کردند.

این کار به دلیل ثبات نوری باورنکردنی تراشه فوتونیکی امکان‌پذیر شد، در غیر این صورت دستیابی به آن همانند یک آزمایش با ابعاد معمولی غیرممکن است. Steinberg می‌گوید: برای شروع، به یک جسم اپتیکی مربعی با ضلع واحد داریم که بر روی یک جایگاه اپتیکی نصب شود. علاوه بر این، یک عنصر نوری که در قادر باشد در طول ۱۶ ساعت جسمی با ابعاد یک هزارم قطر موی انسان را مرتعش سازد، برای از بین بردن تمام اطلاعات کافی است.

Krenn و همکارانش در طی تلاش‌های اولیه خود برای ساده‌سازی و تعمیم آنچه MELVIN به آن دست یافته بود، دریافتند که راه‌حل بدست آمده شبیه به اشکال انتزاعی ریاضیاتی است. این اشکال که حاوی رئوس و لبه هستند، برای به تصویر کشیدن روابط زوجی بین اشیا استفاده می‌شوند و می‌توان آن‌ها را نمودار نامید. برای انجام آزمایش‌های کوانتومی، هر مسیری که فوتون طی می‌کند، توسط یک راس نشان داده می‌شود.

در همین راستا یک کریستال با لبه اتصال توسط دو راس نشان داده می‌شود. MELVIN در ابتدا چند نمودار مختلف تولید کرد و سپس یک عملیات ریاضیاتی بر روی آن‌ها انجام داد. این عملیات را که تطبیق‌دهی کامل می‌نامیم، شامل ایجاد یک نمودار معادل با نمودار اول است که در آن هر راس فقط به یک لبه متصل می‌شود. بدین ترتیب محاسبه حالت کوانتومی نهایی بسیار ساده می‌شود. با این وجود هنوز درک چنین حالتی نیز برای انسان دشوار است.

برای آنکه نتیجه قابل فهم‌تر باشد، الگوریتم MELVIN با الگوریتم دیگری با نام THESEUS جایگزین شد. الگوریتم جدید پس از بدست آوردن اولین نمودار پیچیده تلاش می‌کند تا تعداد لبه‌ها و رئوس را به حداقل مقدار ممکن برساند و بدین ترتیب نمودارهای ساده‌تری ایجاد کند. ( هر حذفی که در این نمودار‌ها صورت می‌گیرد، توانایی انجام تنظیمات اولیه برای ایجاد حالت‌های کوانتومی مورد را از بین می‌برد). نمودار حاصله درحالی که با نمودار تولید شده توسط MELVIN مطابقت دارد، راه‌حل ساد‌‌ه‌تری را برای درک انسان فراهم می‌کند.

Renner یکی دیگر از اشخاصی است که به شدت تحت تاثیر نحوه عملکرد THESEUS قرار گرفته است. او می‌گوید: راه‌حل به نحوی طراحی شده است که تعداد اتصالات درون نمودار به حداقل مقدار ممکن برسد. و ادامه می‌دهد: و این کار واقعا بهتر است. زیرا درک چنین نمودارهایی بسیار آسان‌تر از درک نمودار پیچیده است.

Eric Cavalcanti از دانشگاه Griffith در استرالیا نیز با هیجان از این پروژه صحبت می‌کند: به کارگیری تکنیک‌های یادگیری ماشین نشان دهنده پیشرفت عظیم است. برای دانشمندی که به داده‌ها نگاه می‌کند و در تلاش است تا آن‌ها را تفسیر کند، برخی از راه‌ حل‌های بدست آمده بسیار خلاقانه هستند. اما باید به یاد داشته باشیم که الگوریتم‌ها هنوز در مرحله‌ای نیستند که بتوان آن‌ها را به عنوان مفاهیم جدید ارائه کرد. از سویی دیگر گمان می‌کنم روزی با الگوریتم‌هایی روبرو خواهیم شد که واقعا دنیای جدیدی را به روی انسان باز کنند. در حال حاضر، می‌توان این مراحل را به عنوان مراحل بدوی در نظر گرفت. بهرحال هر مسئله‌ای قدم‌های اولیه دارد.

Steinberg با اعلام موافقت خود می‌گوید: در حال حاضر این الگوریتم‌ها ابزارهایی شگفت‌انگیز هستند و ما هر نوع ابزاری دیگری، بدون حضور آن‌ها امکان پیشرفت در مسائل وجود ندارد.

نظرات ۰

وارد شوید

برای گفتگو با کاربران، وارد حساب کاربری خود شوید.

ورود

Digiato

رمزتان را گم کرده‌اید؟ ورود با گوگل

Digiato

ورود با گوگل