קבוצת מחקר מביה"ס להנדסה ולמדעי המחשב באוניברסיטה העברית, בהנחייתו של פרופ' אמנון שעשוע, הצליחה להוכיח באופן מתמטי כי שיטות המובילות את תחום הבינה המלאכותית יכולות לסייע בהבנת תופעות בתחום הפיסיקה הקוונטית, אליהן לא הייתה גישה עד
פיזיקה קוונטית. איור: PIXABAY.COM |
תופעות במערכות הכוללות הרבה חלקיקים קוונטיים (חלקיקים מזעריים כגון אלקטרונים) הן אחד הנושאים החמים במחקר פיסיקה עכשווי, אך גם החוקרים המוערכים והמנוסים ביותר אינם מסוגלים לקבל יותר מהצצה קטנה אל מגוון התופעות הללו. בשל מספרם העצום של החלקיקים (מעל מיליארד מיליארדים בגרם אחד של חומר) וריבוי האינטראקציות בינהם, קשה מאוד לבצע סימולציה שתאפשר הבנה מקיפה של מערכות קוונטיות רב-חלקיקיות. גם תוכנות המחשב החזקות ביותר התקשו לעמוד באתגר הזה, שנראה היה בלתי ניתן לפיצוח. עד עכשיו.
מחקר חדש של קבוצת דוקטורנטים מהמחלקה למדעי המחשב באוניברסיטה העברית, יואב לוין, אור שריר ונדב כהן, בהנחייתו והובלתו של פרופ' אמנון שעשוע, הצליח להוכיח באופן מתמטי כי רשתות נוירונים עמוקות, אלגוריתמים שחוללו מהפכה בעולם הבינה המלאכותית ואפשרו את הזינוק בפיתוחים בתחום, יכולות להיות מיושמות גם במחקר קוונטי. שימוש ברשתות נוירונים על מנת לחקור מערכות פיסיקליות נעשה בשנים האחרונות, אך לראשונה הוכח כי הרשתות שעומדות בחזית התחום ואפשרו למחשבים להציג יכולות ראייה וזיהוי קולי מתקדמות, יכולות להביא למהפכה גם במחקר פיסיקה קוונטית. המאמר פורסם בכתב העת המוביל Physical Review Letters.
יואב לוין, דוקטורנט השותף לצוות המחקר: "המאמר מוכיח כי אלגוריתמי הבינה המלאכותית יכולים לייצג מערכות קוונטיות סבוכות מאוד, ביעילות רבה יותר מכל הגישות הקיימות. תגלית זו סוללת את הדרך ליישום חדש של אינטליגנציה מלאכותית מודרנית – הבנת הטבע הקוונטי של העולם סביבנו".
מחקר פיסיקה קוונטית רב-חלקיקית הוא אחד התחומים המסקרנים והפופולריים בחקר הפיסיקה כיום. מדובר במחקר שמזהה איך החלקיקים היסודיים בטבע "מתאגדים" יחד ומביאים לתכונות מפתיעות בחומרים אותם הם מרכיבים, כמו מוליכות חשמלית, מגנטיות ועוד. הבנה עמוקה בתחום תשפיע אדירות על כל תחומי חיינו. ככל שמצליחים לגלות ולהבין תכונות קוונטיות של חומרים, כך מתקרבות המהפכות הבאות בתחום המחשוב, האנרגיה, התחבורה – והטווח הוא אינסופי. חיבור הבינה המלאכותית לתחום זה, מבטיח התפתחויות מרתקות בשנים הקרובות.
{loadposition content-related} |