Forum für Wissenschaft, Industrie und Wirtschaft

Hauptsponsoren:     3M 
Datenbankrecherche:

 

Künstliche Intelligenz löst Rätsel der Physik der Kondensierten Materie: Was ist die perfekte Quantentheorie?

12.07.2019

Für einige Phänomene der Quanten-Vielteilchenphysik gibt es mehrere Theorien. Doch welche Theorie beschreibt ein quantenphysikalisches Phänomen am besten? Ein Team von Forschern der Technischen Universität München (TUM) und der amerikanischen Harvard University nutzt nun erfolgreich künstliche neuronale Netzwerke für die Bildanalyse von Quantensystemen.

Hund oder Katze? Die Unterscheidung ist ein Paradebeispiel für maschinelles Lernen: Künstliche neuronale Netzwerke können darauf trainiert werden Bilder zu analysieren, indem sie nach Mustern suchen, die auf bestimmte Objekte hindeuten. Hat das System diese Muster gelernt, erkennt es Hund oder Katze auf beliebigen Bildern.


Künstliche Intelligenz hilft Physikern bei der Suche nach der optimalen Beschreibung von Quantenphänomenen.

Bild: Annabelle Bohrdt und Christoph Hohmann / MCQST

Nach demselben Prinzip können neuronale Netzwerke auf radiologischen Aufnahmen Veränderungen im Gewebe aufspüren.

Physiker nutzen die Methode jetzt, um Momentaufnahmen von Quantensystemen zu analysieren und herauszufinden, welche Theorie die dort beobachteten Phänomene am besten beschreibt.

Unterwegs in der Quantenwelt der Wahrscheinlichkeit

Einige Phänomene in der Physik der kondensierten Materie, die Festkörper und Flüssigkeiten untersucht, sind noch immer voller Rätsel. Bis heute ist beispielsweise ungeklärt, welcher Effekt dafür sorgt, dass der elektrische Widerstand von Hochtemperatur-Supraleitern bei Temperaturen von rund -200 Grad Celsius auf Null sinkt.

Solche außergewöhnlichen Zustände der Materie zu verstehen ist schwierig: Um die Physik der Hochtemperatur-Supraleiter zu verstehen wurden Quantensimulatoren entwickelt, die aus ultrakalten Lithiumatomen bestehen.

Diese Simulatoren liefern Momentaufnahmen vom Quantensystem, das sich gleichzeitig in unterschiedlichen Konfigurationen befindet – Physiker sprechen von einer Superposition – und jeder Schnappschuss misst eine davon.

Um die Merkmale solcher Quantensysteme verstehen zu können, wurden verschiedene theoretische Modelle entwickelt. Doch wie zutreffend sind diese? Die Frage lässt sich durch die Analyse der Bilddaten beantworten.

Neuronale Netzwerke untersuchen die Quantenwelt

Erfolgreich nutzt hierfür ein Forschungsteam der TU München und der Harvard University (USA) maschinelles Lernen: Ein künstliches neuronales Netzwerk wurde trainiert, zwei konkurrierende Theorien zu unterscheiden.

„Ähnlich wie bei der Erkennung von Katzen oder Hunden auf Fotos werden Bilder von Konfigurationen aus jeder Quantentheorie in das neuronale Netzwerk eingespeist“, sagt Annabelle Bohrdt, Doktorandin an der TUM. „Die Netzwerkparameter werden dann optimiert, um jedem Bild das richtige Label zuzuweisen – in diesem Fall sind sie einfach nur Theorie A oder Theorie B statt Katze oder Hund.“

Nach der Trainingsphase mit theoretischen Daten musste das neuronale Netzwerk das Gelernte anwenden und Momentaufnahmen von Quantensimulatoren den Theorien A oder B zuordnen. Das Netzwerk selektierte damit die Theorie mit der größeren Vorhersagekraft.

Die neue Methode wollen die Forscher künftig nutzen, um die Übereinstimmung von Messungen mit unterschiedlichen theoretischen Modellen zu überprüfen. Ziel ist es, physikalische Effekte wie die Hochtemperatur-Supraleitung zu verstehen, was beispielsweise für verlustfreie Stromleitung und effizientere Magnetresonanz-Tomographen verwendet werden kann.

Weitere Informationen

Die Forschung wurde gefördert durch die National Science Foundation (NSF), das Office of Scientific Research (AFOSR) der US-Luftwaffe, das National Defense Science and Engineering Graduate (NDSEG) Programm des US-Department of Defense, das Gordon and Betty Moore Foundation EPIQS-Programm, die Studienstiftung des deutschen Volkes, die Deutsche Forschungsgemeinschaft (DFG) im Rahmen des Exzellenzclusters Munich Center for Quantum Science and Technology (MCQST) und des Transregio TRR80 sowie durch das TUM Institute for Advanced Study, gefördert durch die deutsche Exzellenzinitiative und die Europäische Union, wo Prof. Knap die Rudolf Mößbauer Tenure Track Professur für Kollektive Quantendynamik inne hat.

Wissenschaftliche Ansprechpartner:

Prof. Dr. Michael Knap
Professur für Kollektive Quantendynamik
Technische Universität München
James-Franck-Str. 1, 85748 Garching
Tel.: +49 89 289 53777
E-Mail: michael.knap@ph.tum.de
Web: http://users.ph.tum.de/ga32pex/

Originalpublikation:

Classifying snapshots of the doped Hubbard model with machine learning
Annabelle Bohrdt, Christie S. Chiu, Geoffrey Ji, Muqing Xu, Daniel Greif, Markus Greiner, Eugene Demler, Fabian Grusdt und Michael Knap
nature physics, July 1, 2019 - DOI: 10.1038/s41567-019-0565-x
https://www.nature.com/articles/s41567-019-0565-x

Weitere Informationen:

https://www.tum.de/nc/die-tum/aktuelles/pressemitteilungen/details/35570/ Link zur Pressemitteilung

Dr. Ulrich Marsch | Technische Universität München

Weitere Nachrichten aus der Kategorie Informationstechnologie:

nachricht Ein superschneller «Lichtschalter» für künftige Autos und Computer
18.11.2019 | Eidgenössische Technische Hochschule Zürich (ETH Zürich)

nachricht Rostocker Forscher machen das Netz schlauer
18.11.2019 | Universität Rostock

Alle Nachrichten aus der Kategorie: Informationstechnologie >>>

Die aktuellsten Pressemeldungen zum Suchbegriff Innovation >>>

Die letzten 5 Focus-News des innovations-reports im Überblick:

Im Focus: Neuartiges Antibiotikum gegen Problemkeime in Sicht

Internationales Forscherteam mit Beteiligung der Universität Gießen entdeckt neuen Wirkstoff gegen gramnegative Bakterien – Darobactin attackiert die Erreger an einem bislang unbekannten Wirkort

Immer mehr bakterielle Erreger von Infektionskrankheiten entwickeln Resistenzen gegen die marktüblichen Antibiotika. Typische Krankenhauskeime wie Escherichia...

Im Focus: Machine learning microscope adapts lighting to improve diagnosis

Prototype microscope teaches itself the best illumination settings for diagnosing malaria

Engineers at Duke University have developed a microscope that adapts its lighting angles, colors and patterns while teaching itself the optimal...

Im Focus: Kleine Teilchen, große Wirkung: Wie Nanoteilchen aus Graphen die Auflösung von Mikroskopen verbessern

Konventionelle Lichtmikroskope können Strukturen nicht mehr abbilden, wenn diese einen Abstand haben, der kleiner als etwa die Lichtwellenlänge ist. Mit „Super-resolution Microscopy“, entwickelt seit den 80er Jahren, kann man diese Einschränkung jedoch umgehen, indem fluoreszierende Materialien eingesetzt werden. Wissenschaftlerinnen und Wissenschaftler am Max-Planck-Institut für Polymerforschung haben nun entdeckt, dass aus Graphen bestehende Nano-Moleküle genutzt werden können, um diese Mikroskopie-Technik zu verbessern. Diese Nano-Moleküle bieten eine Reihe essentieller Vorteile gegenüber den bisher verwendeten Materialien, die die Mikroskopie-Technik noch vielfältiger einsetzbar machen.

Mikroskopie ist eine wichtige Untersuchungsmethode in der Physik, Biologie, Medizin und vielen anderen Wissenschaften. Sie hat jedoch einen Nachteil: Ihre...

Im Focus: Small particles, big effects: How graphene nanoparticles improve the resolution of microscopes

Conventional light microscopes cannot distinguish structures when they are separated by a distance smaller than, roughly, the wavelength of light. Superresolution microscopy, developed since the 1980s, lifts this limitation, using fluorescent moieties. Scientists at the Max Planck Institute for Polymer Research have now discovered that graphene nano-molecules can be used to improve this microscopy technique. These graphene nano-molecules offer a number of substantial advantages over the materials previously used, making superresolution microscopy even more versatile.

Microscopy is an important investigation method, in physics, biology, medicine, and many other sciences. However, it has one disadvantage: its resolution is...

Im Focus: Mit künstlicher Intelligenz zum besseren Holzprodukt

Der Empa-Wissenschaftler Mark Schubert und sein Team nutzen die vielfältigen Möglichkeiten des maschinellen Lernens für holztechnische Anwendungen. Zusammen mit Swiss Wood Solutions entwickelt Schubert eine digitale Holzauswahl- und Verarbeitungsstrategie unter Verwendung künstlicher Intelligenz.

Holz ist ein Naturprodukt und ein Leichtbauwerkstoff mit exzellenten physikalischen Eigenschaften und daher ein ausgezeichnetes Konstruktionsmaterial – etwa...

Alle Focus-News des Innovations-reports >>>

Anzeige

Anzeige

VideoLinks
Industrie & Wirtschaft
Veranstaltungen

Chemnitzer Linux-Tage 2020: „Mach es einfach!“

18.11.2019 | Veranstaltungen

Humanoide Roboter in Aktion erleben

18.11.2019 | Veranstaltungen

1. Internationale Konferenz zu Agrophotovoltaik im August 2020

15.11.2019 | Veranstaltungen

VideoLinks
Wissenschaft & Forschung
Weitere VideoLinks im Überblick >>>
 
Aktuelle Beiträge

Sichere Datenübertragung mit Ultraschall am Handy: neue Methode zur Nahfeldkommunikation

21.11.2019 | Kommunikation Medien

Rasante Entstehung von Antibiotikaresistenzen im Behandlungsalltag

21.11.2019 | Medizin Gesundheit

Gesundheits-App als Fitness-Coach für Familien

21.11.2019 | Kommunikation Medien

Weitere B2B-VideoLinks
IHR
JOB & KARRIERE
SERVICE
im innovations-report
in Kooperation mit academics