15.07.2019

Suche nach der besten Quantentheorie

Künstliche neuronale Netzwerke für die Bildanalyse von Quantensystemen.

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 und der amerikanischen Harvard University nutzt nun erfolgreich künstliche neuronale Netzwerke für die Bildanalyse von Quantensystemen. Denn neuronale Netzwerke können auf radio­logischen Aufnahmen Verän­derungen im Gewebe aufspüren. Die Physiker nutzen die Methode jetzt, um Moment­aufnahmen von Quanten­systemen zu analysieren und herauszufinden, welche Theorie die dort beobachteten Phänomene am besten beschreibt.

Abb.: Künstliche Intelli­genz hilft Physikern bei der Suche nach der...
Abb.: Künstliche Intelli­genz hilft Physikern bei der Suche nach der opti­malen Beschreibung von Quanten­phänomenen. (Bild: A. Bohrdt & C. Hohmann, MCQST)

Beispiels­weise ist bis heute 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 – eine 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.

Erfolgreich nutzt hierfür das Forschungs­team 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.

TUM / JOL

Weitere Infos

Weiterbildung

Weiterbildungen im Bereich Quantentechnologie
TUM INSTITUTE FOR LIFELONG LEARNING

Weiterbildungen im Bereich Quantentechnologie

Vom eintägigen Überblickskurs bis hin zum Deep Dive in die Technologie: für Fach- & Führungskräfte unterschiedlichster Branchen.

EnergyViews

EnergyViews
Dossier

EnergyViews

Die neuesten Meldungen zu Energieforschung und -technologie von pro-physik.de und Physik in unserer Zeit.

Meist gelesen

Themen