Vizualizace renormalizační grupy se 100 tisíc rovnicemi. Kredit: Domenico Di Sante/Flatiron Institute.

Část odborníků varuje před umělými inteligencemi. Obávají se dne, kdy převezmou vládu nad světem a nejspíš si zakázali sledovat terminátory i Nevědomí. Ti ostatní pochopili jejich přínos a využívají je ve výzkumu. Umělé inteligence jsou přitom skvělé na úlohy, které vyžadují pekelné soustředění a zároveň představují ubíjející rutinu.

Domenico Di Sante. Kredit: Flatiron Institute.

Domenico Di Sante z amerického Flatiron Institute a italské Alma Mater Studiorum Università di Bologna a jeho kolegové zapřáhli umělou inteligenci a vrhli se na téměř neuvěřitelně složitý problém, renormalizační grupu. Je to matematický aparát, který nabízí možnost studovat kvantové systémy. Problém je v tom, že zahrnuje desetitisíce, statisíce a klidně i miliony rovnic. Každá z rovnic popisuje dvojici interagujících elektronů.

Di Santeho tým vzal renormalizační grupu se 100 tisíci rovnicemi a umělá inteligence ji ořezala na dřeň. Zjednodušila ji na pouhé 4 rovnice, aniž by došlo k obětování přesnosti výpočtu. Jde o průlomový úspěch, který by teď mohl zjednodušit výzkum systémů s mnoha interagujícími elektrony. Výhledově by mohl pomoci při vývoji nových materiálů s exotickými vlastnostmi, jako je například supravodivost.

Logo. Kredit: Flatiron Institute.

Badatelé vycházeli z Hubbardova kvantového modelu z roku 1963, který se obvykle používá ke studiu magnetického a supravodivého chování materiálů, především jejich elektronů. Je to takový teoretický kvantový trenažér. Hubbardův model je užitečný, ale zároveň zrádný. I když se skládá jen z nízkého počtu elektronů, tak má brutální výpočetní nároky, které exponenciálně narůstají a brzy narážejí na strop možností i těch nejvýkonnějších superpočítačů. Hubbardův model zároveň představuje jeden ze systémů, k jehož studiu se využívá renormalizační grupa.

Di Sante si pochvaluje, že umělé inteligence jsou skvělé v pátrání po skrytých vzorech a souvislostech. Také s kolegy zažili úžas nad výsledkem, protože při nasazení umělých inteligencí lze jen těžko odhadnout, co vlastně udělají. Nakonec to bylo mnohem lepší a přínosnější, než původně čekali.

Nebylo to snadné. Trénování umělé inteligence na zeštíhlení renormalizační grupy zjevně není legrace. Spotřebovali celé týdny výpočetního času. Teď mají ale umělou inteligenci vycvičenou a další podobné problémy zvládne mnohem rychleji. Je příznačné, že Di Sante s kolegy vlastně nevědí, jak se to jejich umělá inteligence naučila a teď se to snaží zpětně zjistit. I to by mohlo být pro fyziky velmi přínosné, protože „logika“ umělé inteligence nabízí nový úhel pohledu. Třešničkou na dortu by mohlo být využití této umělé inteligence v úplně jiných oborech, kde se rovněž trápí s renormalizační grupou, jako je například kosmologie nebo neurověda.

Literatura

Simons Foundation 26. 9. 2022.