Investigadores de la Universidad de Tel Aviv consiguieron enseñar a un modelo de inteligencia artificial (IA) a encontrar y analizar dinámicas físicas cuánticas. En el estudio, los investigadores examinaron la capacidad de la IA para aprender las leyes de la física únicamente a partir de ejemplos, sin ningún tipo de guía.
Los investigadores entrenaron un algoritmo generativo denominado styleGAN utilizando una matriz gráfica de problemas de física cuántica y sus soluciones. Descubrieron que, tras el aprendizaje, el algoritmo era capaz de "inventar" nuevos problemas que no estaban incluidos en el conjunto de entrenamiento, junto con sus soluciones correctas.
En términos básicos, el algoritmo aprendió a imitar sistemas físicos y a generar nuevos sistemas que contenían la física correcta y lo hizo por sí solo, sin ayuda previa del equipo de investigación.
El estudio fue dirigido por la estudiante de doctorado Miri Kenig, bajo la dirección del Dr. Yoav Lahini, de la Facultad de Física y Astronomía de la Universidad de Tel Aviv.
En su investigación, identificaron nuevas direcciones en el campo que pueden desarrollarse gracias a la intersección entre la inteligencia artificial, en particular los modelos generativos, y la física. El estudio se publicó en la revista Physical Review A.
El Dr. Lahini explicó que la principal herramienta utilizada por los investigadores se llama styleGAN (Generative Adversarial Network), un algoritmo desarrollado recientemente que se basa en la competencia entre dos redes de aprendizaje profundo.
Tras recibir una gran cantidad de datos que en su mayoría incluyen imágenes, el algoritmo aprende a generar nuevas imágenes que no se incluyeron en su entrenamiento pero que a los observadores humanos les parecen auténticas, igual que las originales.
Un ejemplo de ello es entrenar un algoritmo con un conjunto de datos de rostros humanos reales, lo que le permite generar nuevas imágenes de personas que no existen realmente, pero que parecen lo bastante reales como para que la gente crea que sí.
Kenig añadió que en su investigación adaptaron el algoritmo GAN a la física cuántica: "Decidimos explorar inicialmente un sistema de dos partículas cuánticas que se mueven en una especie de arena con obstáculos diferentes cada vez. Se trata de un problema general que surge de forma natural en la física cuántica, desde el movimiento de los electrones en un conductor hasta el funcionamiento de un ordenador cuántico".
"La estructura de la arena define el 'problema' físico, donde cada problema se caracteriza por una disposición aleatoria diferente de los obstáculos en la arena. La "solución" a cada problema está representada por una función de onda, o patrón de interferencia cuántica de las dos partículas en la arena", explica.
"Esta función de onda contiene correlaciones cuánticas: debido a las leyes de la interferencia cuántica, la probabilidad de encontrar una partícula en un lugar concreto depende de la probabilidad de encontrar la otra partícula en un lugar diferente. En nuestra investigación, entrenamos el algoritmo utilizando un conjunto de imágenes que representan gráficamente el "problema" cuántico y su correspondiente "solución"", agrega.
"Después de enseñar a la IA, descubrimos que el algoritmo podía generar nuevas imágenes que contenían nuevos problemas que no estaban incluidos en su entrenamiento, junto con sus soluciones físicas correctas, lo que significa que el algoritmo aprendió a aplicar correctamente las leyes de la física cuántica".
El punto que interesó especialmente a los investigadores fue la capacidad de la red GAN entrenada para desarrollar una "representación" interna del problema y su solución, a través de la cual el algoritmo consigue generar nuevos problemas y soluciones.
Esta capacidad permite editar imágenes de forma que se preserve la autenticidad de la imagen durante su generación. Por ejemplo, permite cambiar la edad de una persona en una foto manteniendo su parecido.
Los investigadores descubrieron que, en el mundo de la física cuántica, estas capacidades permiten a la IA descubrir automáticamente parámetros físicos y su alineación en los nuevos problemas generados por el algoritmo.
"Nuestros resultados demuestran el gran potencial de la interacción entre la inteligencia artificial y la física. Creemos que el siguiente paso es presentar al algoritmo problemas cuya solución se desconoce y ver si podemos utilizarlo para descubrir los principios físicos subyacentes en el problema", añadió Lahini.