חוקרים מאוניברסיטת תל אביב הצליחו ללמד בינה מלאכותית לאתר ולנתח דינמיקה פיזיקלית קוונטית. במסגרת המחקר, צוות החוקרים החליט לבחון את היכולת של בינה מלאכותית ללמוד חוקי פיזיקה מתוך דוגמאות בלבד, ללא תיוג או הכוונה.
החוקרים אימנו אלגוריתם גנרטיבי בשם styleGAN על מערך של ייצוגים גרפיים של בעיות קוונטיות פיזיקליות והפתרונות שלהם. החוקרים גילו כי לאחר הלמידה, האלגוריתם היה מסוגל "להמציא" בעיות קוונטיות חדשות, שלא נכללו במערך הדוגמאות שנלמד - ביחד עם הפתרון הפיזיקלי הנכון שלהן. כך למעשה האלגוריתם למד לחקות מערכות פיזיקליות, ולייצר בעצמו מערכות חדשות המכילות את הפיזיקה הנכונה. למעשה, האלגוריתם למד את חוקי המשחק של הפיזיקה הקוונטית מדוגמאות בלבד, ללא הכוונה.
המחקר נערך בהובלת הדוקטורנטית מירי קניג, בהנחייתו של ד"ר יואב לחיני מבית הספר לפיזיקה ואסטרונומיה באוניברסיטת תל אביב. במחקרם החדש, החוקרים סימנו את כיווני המחקר המרתקים שייפתחו הודות למפגש שבין בינה מלאכותית, ובפרט מודלים גנרטיביים, לפיזיקה. המאמר פורסם בכתב העת Physical Review A.
ד"ר לחיני הסביר שהכלי המרכזי שבו עשו החוקרים שימוש נקרא styleGAN (ראשי תיבות של Generative Adversarial Network). זהו אלגוריתם שפותח בשנים האחרונות ומבוסס על תחרות בין שתי רשתות עמוקות. לאחר למידה של כמות גדולה של נתונים (בדרך כלל תמונות), האלגוריתם לומד לייצר תמונות חדשות, שלא לקוחות מהסט שנלמד, אבל הן נראות למתבונן האנושי אמינות כמו התמונות המקוריות. דוגמה ידועה לכך היא "אימון" של אלגוריתם באמצעות מאגרי תמונות פנים אמיתיות, כך שהוא לומד לייצר תמונות חדשות של אנשים שאינם קיימים במציאות, אבל כאלו שנראות לנו אמינות כמו התמונות המקוריות.
הדוקטורנטית קניג הוסיפה כי במחקר הם התאימו את אלגוריתם ה-GAN לעולמות הקוונטים: "החלטנו בתור התחלה לחקור מערכת של שני חלקיקים קוונטים הנעים בסביבה לא מסודרת, מעין זירה שכל פעם יש בה מכשולים שונים. זו בעייה כללית שצצה באופן טבעי בבעיות קוונטיות - מתנועה של אלקטרונים במוליך ועד פעולה של מחשב קוונטי. מבנה הזירה מגדיר את ה'בעיה' הפיזיקלית, כאשר בעיות שונות מאופיינות על ידי סידור רנדומלי שונה של המכשולים בזירה. את ה 'פתרון' לכל בעייה מייצגת פונקציית הגל, או תבנית ההתאבכות הקוונטית של שני החלקיקים ברחבי הזירה. פונקציית גל זו מכילה קורלציות קוונטיות: בגלל חוקי ההתאבכות הקוונטית, הסיכוי למצוא חלקיק אחד במקום מסויים הופך להיות תלוי בסיכוי למצוא את החלקיק השני במקום אחר. במחקר, אימנו את האלגוריתם על מערך של תמונות, המכילות ייצוג גרפי של ה'בעיה' הקוונטית, ושל ה 'פתרון' המתאים. לאחר הלמידה מצאנו שהאלגוריתם יכול להמציא תמונות חדשות, המכילות בעיות חדשות שלא נכללו במערך שנלמד - עם הפיתרון הפיזיקלי הנכון שלהן! האלגוריתם למד איך לממש את חוקי הפיזיקה הקוונטית בצורה נכונה".
הנקודה שעניינה את החוקרים במיוחד הייתה היכולת של רשת ה-GAN המאומנת לפתח מעין "ייצוג" פנימי מזוקק של הבעיה והפתרון אשר באמצעותו האלגוריתם מצליח לייצר בעיות ופתרונות חדשים, והאפשרות לחקור את הייצוג הזה לאחר האימון. בעולם ייצור התמונה, יכולת זו מאפשרת עריכה של תמונות בצורה שמשמרת את אמינות התמונה (למשל לשנות את גיל האדם שבתמונה, או את הבעת פניו). החוקרים גילו כי בעולם הפיזיקה הקוונטית יכולות אלו מאפשרות גילוי אוטומטי של פרמטרים פיזיקליים וכיוונון שלהם בבעיות החדשות שהאלגוריתם מייצר.
ד"ר לחיני וקניג סיכמו: "התוצאות שלנו מדגימות את הפוטנציאל הגדול שגלום במפגש שבין הבינה המלאכותית לבעיות פיזיקליות. השלב הבא והמשמעותי בעינינו הוא להציג לאלגוריתם בעיות שהפתרון אליהן לא ידוע, ולראות אם אפשר להיעזר בו כדי לגלות את העקרונות הפיזיקליים המסתתרים בבעיה".
