TUM – Technische Universität München Menü
Künstliche Intelligenz hilft Physikern bei der Suche nach der optimalen Beschreibung von Quantenphänomenen.
Künstliche Intelligenz hilft Physikern bei der Suche nach der optimalen Beschreibung von Quantenphänomenen.
Bild: Annabelle Bohrdt und Christoph Hohmann / MCQST
  • Forschung
  • lesezeit: 2 MIN

Künstliche Intelligenz löst Rätsel der Physik der Kondensierten Materie

Was ist die perfekte Quantentheorie?

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 (TUM) und der amerikanischen Harvard University nutzt nun erfolgreich künstliche neuronale Netzwerke für die Bildanalyse von Quantensystemen.

Hund oder Katze? Die Unterscheidung ist ein Paradebeispiel für maschinelles Lernen: Künstliche neuronale Netzwerke können darauf trainiert werden Bilder zu analysieren, indem sie nach Mustern suchen, die auf bestimmte Objekte hindeuten. Hat das System diese Muster gelernt, erkennt es Hund oder Katze auf beliebigen Bildern.

Nach demselben Prinzip können neuronale Netzwerke auf radiologischen Aufnahmen Veränderungen im Gewebe aufspüren. Physiker nutzen die Methode jetzt, um Momentaufnahmen von Quantensystemen zu analysieren und herauszufinden, welche Theorie die dort beobachteten Phänomene am besten beschreibt.

Unterwegs in der Quantenwelt der Wahrscheinlichkeit

Einige Phänomene in der Physik der kondensierten Materie, die Festkörper und Flüssigkeiten untersucht, sind noch immer voller Rätsel. Bis heute ist beispielsweise 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 – Physiker sprechen von einer 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.

Neuronale Netzwerke untersuchen die Quantenwelt

Erfolgreich nutzt hierfür ein Forschungsteam der TU München und der Harvard University (USA) 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.

Publikationen:

Classifying snapshots of the doped Hubbard model with machine learning
Annabelle Bohrdt, Christie S. Chiu, Geoffrey Ji, Muqing Xu, Daniel Greif, Markus Greiner, Eugene Demler, Fabian Grusdt und Michael Knap
nature physics, July 1, 2019 - DOI: 10.1038/s41567-019-0565-x

Mehr Informationen:

Die Forschung wurde gefördert durch die National Science Foundation (NSF), das Office of Scientific Research (AFOSR) der US-Luftwaffe, das National Defense Science and Engineering Graduate (NDSEG) Programm des US-Department of Defense, das Gordon and Betty Moore Foundation EPIQS-Programm, die Studienstiftung des deutschen Volkes, die Deutsche Forschungsgemeinschaft (DFG) im Rahmen des Exzellenzclusters Munich Center for Quantum Science and Technology (MCQST) und des Transregio TRR80 sowie durch das TUM Institute for Advanced Study, gefördert durch die deutsche Exzellenzinitiative und die Europäische Union, wo Prof. Knap die Rudolf Mößbauer Tenure Track Professur für Kollektive Quantendynamik inne hat.

Bildmaterial mit hoher Auflösung

Corporate Communications Center

Technische Universität München Dr. Andreas Battenberg
battenberg(at)zv.tum.de

Kontakte zum Artikel:

Prof. Dr. Michael Knap
Professur für Kollektive Quantendynamik
Technische Universität München
James-Franck-Str. 1, 85748 Garching
Tel.: +49 89 289 53777 – E-Mail

Weitere Artikel zum Thema auf www.tum.de:

Matthias Nießner erstellt mit Face2Face eine Maske seines Gesichts, sodass er an dessen Stelle das Gesicht einer anderen Person setzen kann.

Künstliche Intelligenz enttarnt Fake-Videos

Ob Videos echt oder manipuliert sind, lässt sich heute mit bloßem Auge oft nicht mehr erkennen. Damit man sich trotzdem sicher sein kann, dass eine Politikerin oder ein Politiker wirklich gesagt hat, was ein Video im Netz...

Die Autoren Mathias Wilhelm, Tobias Schmidt und Siegfried Gessulat am Lehrstuhl für Proteomik und Bioanalytik (Prof. Dr. Bernhard Küster).

Künstliche Intelligenz beflügelt Proteomforschung

Mit dem Einsatz von künstlicher Intelligenz ist es Forschenden der Technischen Universität München (TUM) gelungen, die massenhafte Analyse von Eiweißen aus beliebigen Organismen deutlich schneller als bisher und praktisch...

Die Retorio-Gründer Abdurrahman Namli, Patrick Oehler und Christoph Hohenberger (v.l.) trainieren Gespräche. (Bild: A. Eckert / TUM)

Künstliche Intelligenz als Rhetorik-Trainer

Frei vor anderen zu sprechen, fällt vielen Menschen schwer. Doch Vorträge und Gespräche zu üben, ist ohne professionelles Feedback mühsam. Ein Psychologe, ein Betriebswirt und ein Informatiker haben deshalb einen...

Professor Sami Haddadin mit einem Roboter

Rang sechs weltweit bei Forschung zu Künstlicher Intelligenz

Welche Universitäten sind führend in der Erforschung Künstlicher Intelligenz? Das britische Magazin „Times Higher Education (THE)“ hat erstmals untersucht, wie oft die Studien der einzelnen Universitäten zitiert werden, wie...

Zukunftsvision: Quantencomputer mit Chips aus Diamant und Graphen – Grafik: Christoph Hohmann / NIM

Zentrum für Quantentechnik kommt nach Garching

Auf dem Campus Garching hat sich in den letzten Jahren ein weltweit beachteter Forschungsschwerpunkt zu Quantentechnologien entwickelt. Der Wissenschaftsrat befürwortet nun ein neues Zentralinstitut der Technischen...

Überraschende Oszillationsbewegung eines Quantenteilchens durch ein eindimensionales Gas. (Bild: Florian Meinert / Univ. Innsbruck)

Newton auf den Kopf gestellt

In der Quantenwelt bewegen sich Objekte nicht immer so, wie wir es im Alltag gewohnt sind. Ein internationales Team von Physikerinnen und Physikern der Universitäten Innsbruck, Paris-Sud und Harvard sowie der Technischen...

Ein Team von Physikern hat ein ungewöhnlich stabiles Quantensystem realisiert – Bild: Christoph Hohmann / NIM

Stabiler Quantencocktail

Wenn James Bond beim Barkeeper seinen klassischen Martini bestellt, kann er darauf vertrauen, dass der die Zutaten des Cocktails im Shaker gut vermischt. In der Quantenwelt allerdings könnte er eine Überraschung erleben:...

Visualisierung der Entstehung eines Quasiteilchens – Bild: Harald Ritsch / IQOQI

Quasiteilchen in Zeitlupe

Bewegt sich ein Elektron in einem Festkörper, polarisiert es seine Umgebung. Die genaue Kenntnis der Wechselwirkung zwischen Elektron und Umgebung ist der Schlüssel zur Entwicklung zukünftiger, noch leistungsfähigerer...

Eine App liefert intuitive graphische Darstellungen von Quantenzuständen gekoppelter Spins - Bild: Steffen Glaser / TUM

Die Visualisierung der „Matrix“

Kernspintomografiebilder sind ein wichtiges Diagnoseinstrument. Der dabei erzielbare Kontrast hängt davon ab wie gut es gelingt, die den bildgebenden Signalen zugrunde liegenden Kernspins gezielt zu beeinflussen....