di Alberto Biella *
Le reti neurali artificiali sono oggetti matematici (modelli computazionali) ispirati a strutture presenti nel cervello animale. Tali strutture sono pensate per imparare da esempi e la loro applicazione ha riscosso un incredibile successo nell’apprendimento di strutture complesse come, ad esempio, immagini o linguaggio umano.
Concetti e metodi mutuati dal campo del machine learning sono alla base di molte tecnologie che stanno rivoluzionando la nostra quotidianità impattando molti settori, dalla sanità alla finanza.
Recentemente, molti scienziati si sono interessati all’applicazione di questi concetti alla ricerca fondamentale in molte aree del sapere, fisica inclusa. Questi strumenti sono stati utilizzati per risolvere problemi molto complessi nelle branche della fisica più disparate, dalla fisica delle particelle alla meccanica quantistica.
Nel nostro lavoro ci occupiamo di applicare le reti neurali a uno dei problemi più impegnativi in fisica della materia: determinare l’effetto dell’ambiente su un sistema quantistico. Infatti, ogni sistema non può mai considerarsi perfettamente isolato dall’ambiente circostante con cui può interagire scambiando energia e particelle.
Questa classe di sistemi è molto importante sia a un livello fondamentale che applicativo. Molte tecnologie del futuro si baseranno infatti sull’utilizzo di dispositivi o materiali quantistici, basti pensare allo sviluppo di computer quantistici e dei materiali superconduttori. I primi permetteranno di risolvere problemi troppo complessi per computer classici (tradizionali) mentre i secondi consentiranno di trasportare energia elettrica senza dissipazione (cioè senza perderla lungo il percorso).
La fisica di questi dispositivi può essere influenzata dalla presenza di un ambiente esterno. È perciò di fondamentale importanza comprendere e quantificare quali siano questi effetti sulla dinamica del sistema.
Solitamente, questo tipo di calcoli sono molto pesanti a causa del (esponenzialmente) grande numero di equazioni da risolvere. Per questo motivo gli scienziati si dedicano da lungo tempo alla ricerca di metodi numerici efficaci che consentano di accedere a queste proprietà.
In un nostro studio pubblicato su Physical Review Letters abbiamo proposto di rappresentare lo stato di un sistema quantistico aperto come una rete neurale artificiale dove le connessioni tra i vari neuroni rappresentano le correlazioni quantistiche tra le varie sottoparti del sistema. Abbiamo poi mostrato come attraverso un’opportuna procedura di training (allenamento) della rete è possibile trovare le connessioni corrette per rappresentare fedelmente lo stato del sistema.
Tale studio rappresenta un primo passo molto importante per la nostra comunità. Pensiamo che lo sviluppo di questo approccio sia solo all’inizio e ci permetterà presto di studiare sistemi molto grandi (costituiti da molte particelle), la cui fisica non sarebbe accessibile con altri metodi.
Ulteriormente, comprendere a fondo i limiti e le potenzialità di tale metodo aiuterà ulteriormente la mutua contaminazione tra fisica e machine learning. Due campi che, di fatto, condividono molti metodi e obiettivi.
* Postdoctoral Researcher all'Université Paris Diderot, laureato in Fisica alla facoltà di Scienze matematiche, fisiche e naturali dell’Università Cattolica, campus di Brescia
