Künstliche Intelligenz erkennt Quantenphasen-Übergänge

Die Einsatzgebiete von künstlicher Intelligenz und maschinellem Lernen reichen vom autonomen Fahren über vollständig automati­sierte Industrie­prozesse bis zum Haushalt. Aber auch in der Wissenschaft werden diese Methoden intensiv eingesetzt und erforscht, etwa in der Teilchen­physik, wo zum Beispiel KI-Netzwerke aus Milliarden von Daten­sätzen die relevanten Informationen vorsortieren. Jetzt ist es Forschern an der Uni Hamburg erstmals gelungen, KI in der Quanten­physik einzusetzen, um aus experimentellen Daten Quanten­phasen­über­gänge zu erkennen, also die Punkte, an denen sich Eigen­schaften von Stoffen verändern. Das ist besonders interessant, da die Vermessung mit gewöhnlichen Auswertungs­methoden weitaus langwieriger ist. Die Forscher betonen daher, dass dieses Ergebnis weit­reichende Konsequenzen für den Forschungs­alltag haben kann. Künstliche Intelligenz könne im Labor in Echtzeit ganz neue Effekte der Quanten­physik analysieren, die sonst nicht zugänglich sind.

Das Team um Klaus Sengstock und Christof Weitenberg trainierte die KI anhand von Experi­menten mit ultrakalten Quanten­gasen, die nahe an den absoluten Temperatur­null­punkt herunter­gekühlt waren. Bei ihren Experi­menten fangen die Forscher ultra­kalte Atome in einem Gitter aus Laser­licht und simulieren damit die Physik der Elektronen in einem Festkörper.

Wenn man die Parameter der Gitter ändert, ordnen sich die Atome unter­schiedlich an und die Gase bekommen verschiedene Eigenschaften. Während ein Gas in einer Phase zum Beispiel Teilchen ohne Reibung leitet, isoliert es in einer anderen Phase. Die Forscher interes­sieren sich für die Über­gänge zwischen diesen Phasen, die sich jeweils durch die gemessene Impuls­verteilung unter­scheiden. Das Team trainierte das neuronale Netzwerk darauf, im Experiment gewonnene Bilder dieser Impuls­verteilung der jeweils richtigen Phase zuzuordnen und damit die Phasen­über­gänge zu lokalisieren.

„Zuvor hatten andere Wissenschaftler diesen Ansatz für numerisch generierte Bilder demonstriert“, erläutert Weiten­berg. „Dass er auch mit experimentellen Daten funktioniert, ist ein viel­ver­sprechendes Ergebnis.“ Sein Mitarbeiter Niklas Käming ergänzt: „Die Anwendung von Maschine-Learning-Techniken auf Quantengas-Experimente eröffnet viele spannende Möglich­keiten. Als nächstes wollen wir die Methode auf unüber­wachtes maschinelles Lernen erweitern, bei dem die Bilder für das Training des Netzwerks keine vorab fest­gelegte Zuordnung zu einer der Quanten­phasen haben müssen.“

UHH / RK

Weitere Infos

• Originalveröffentlichung
  B. S. Rem et al.: Identifying Quantum Phase Transitions using Artificial Neural Networks on Experimental Data, Nat. Physics, online 1. Juli 2019; DOI: 10.1038/s41567-019-0554-0
• Quantum Gases Group (K. Sengstock), Institut für Laserphysik, FB Physik, Universität Hamburg