Rete neurale come ancora di salvezza

La nota è la madre dell'invenzione. "Tutti i nostri tentativi di risolvere le contraddizioni della meccanica quantistica sono finora falliti", spiega Renato Renner. "Ora stiamo tentando un approccio diverso."E questo nuovo approccio ha molto da offrire, anche se il professore di fisica teorica lo definisce un "atto di disperazione": insieme al suo dottorando Raban Iten e al suo studente di master Tony Metger, nonché ad altri membri del suo gruppo, Renner dimostra in una nuova pubblicazione che è possibile approfondire le relazioni fisiche con l'aiuto dell'intelligenza artificiale.

La scatola nera come via d'uscita?

Il punto di partenza è la consapevolezza che la meccanica quantistica - anche se è stata confermata sperimentalmente più volte - porta a delle contraddizioni. "Quando un anno fa abbiamo sottolineato che la meccanica quantistica deve avere un problema fondamentale, perché non può essere applicata agli utenti della meccanica quantistica, abbiamo suscitato molte reazioni. In seguito abbiamo ricevuto molti commenti. Ma finora nessuna soluzione proposta è stata in grado di risolvere questo dilemma fondamentale", afferma Renner.

A prima vista, l'idea che l'intelligenza artificiale possa aiutare è sorprendente. Dopo tutto, le reti neurali, gli elementi chiave dell'intelligenza artificiale, funzionano generalmente come una scatola nera. Si può insegnare loro a riconoscere i volti nelle immagini. Ma non sappiamo esattamente come la rete risolva questo compito. Come può la fisica imparare qualcosa di nuovo da questo?

Informazioni condensate

La risposta dei ricercatori dell'ETH: costruendo una rete neurale in tandem divisa in due parti. La prima parte della rete calcola i parametri che potrebbero essere adatti a risolvere compiti fisici. La seconda parte risolve un esempio specifico sulla base di questi parametri. La prima parte regola quindi i parametri fino a quando la seconda parte non è in grado di affrontare i compiti stabiliti.

"In pratica, stiamo imitando il principio delle formule fisiche", spiega Renner. "La prima parte della rete neurale non trasmette alla seconda una formula fisica specifica. Tuttavia, i fisici possono ricavare formule fisiche basate sui parametri trasferiti all'interfaccia tra le due parti, sempre con l'aiuto di programmi informatici specializzati. "Una volta che una rete neurale avrà imparato a risolvere problemi di meccanica quantistica, potrà trovare un modo alternativo di descrivere i sistemi quantistici, almeno così speriamo", spiega Renner.

Come funziona il principio

I fisici dell'ETH sono riusciti a dimostrare che l'idea funziona in principio utilizzando semplici compiti fisici. Hanno fatto calcolare alla rete neurale tandem dove si può vedere il pianeta Marte nel cielo notturno. Gli scienziati hanno deciso di fornire alla rete solo i dati sulla posizione del pianeta e del sole misurati dalla Terra.

La rete neurale ha quindi scoperto che i parametri necessari per calcolare la posizione di Marte utilizzando la visione eliocentrica del mondo sono rilevanti. La rete neurale ha quindi trovato la soluzione "corretta", anche se i dati iniziali non contenevano prove dirette del fatto che la Terra e Marte ruotano intorno al Sole e che la Terra non si trova al centro del nostro sistema solare.

Non gravato da premesse

Tuttavia, la rete tandem dei fisici dell'ETH non è ancora in grado di risolvere problemi di meccanica quantistica più complessi. "Ma il nostro lavoro mostra che potrebbe essere uno strumento promettente per noi fisici teorici", dice Renner. Il grande vantaggio della rete è che funziona senza alcuna premessa. "Naturalmente, è possibile spiegare il movimento di Marte anche assumendo che la Terra sia al centro. Ma allora i calcoli diventano molto complessi", spiega Renner. "Nella fisica quantistica siamo a un punto simile: abbiamo una teoria che può spiegare molte cose. Ma potremmo essere ciechi di fronte a un'altra descrizione che può spiegare il tutto in modo molto più elegante".

Come trovare la soluzione giusta?

Il professore dell'ETH è consapevole che la ricerca di una descrizione diversa sarà difficile. Infatti, si pone subito una grande domanda: quali sono i dati iniziali da mettere a disposizione della rete neurale? "Il compito con i pianeti è stato sostanzialmente facile, perché sapevamo quali dati iniziali ci avrebbero portato alla soluzione giusta", dice Renner. "Ma quando cerchiamo nuove intuizioni, non abbiamo più questa conoscenza a portata di mano".