Genombrott i AI löser långvarigt problem inom kvantfysik
Forskare vid MIT har utvecklat ett artificiellt intelligenssystem som effektivt hanterar kvantmulti-partikelproblemet, en utmaning som varit olöst i 50 år. Den nya metoden använder maskininlärning för att approximera komplexa kvanttillstånd med oöverträffad hastighet. Detta framsteg kan påskynda utvecklingen inom kvantdatorer och materialvetenskap.
Kvantmulti-partikelproblemet har länge förbryllat fysiker och kräver enorm beräkningskraft för att modellera interaktioner mellan flera partiklar på kvantnivå. Den 28 september 2025 meddelade ett team från Massachusetts Institute of Technology en ny AI-baserad approach som tar itu med detta problem rakt på sak.
Systemet, som beskrivs i en kommande artikel i Physical Review Letters, använder djupa neurala nätverk för att förutsäga grundtillståndsvågfunkitioner för system med upp till 100 partiklar. 'Vår AI-metod uppnår resultat som är 100 gånger snabbare än traditionella numeriska tekniker, samtidigt som hög noggrannhet bibehålls', sade ledande forskaren Dr. Elena Vasquez, biträdande professor vid MIT:s fysikavdelning. Denna effektivitet kommer från att träna AI:n på simulerad kvantdata, vilket gör att den kan generaliseras till verkliga scenarier utan uttömmande beräkningar.
Utvecklingen av verktyget sträckte sig över två år och byggde på tidigare tillämpningar av maskininlärning inom kvantkemi. Teamet testade det på referensproblem som Hubbard-modellen, som simulerar elektronbeteende i fasta ämnen, och fick approximationer inom 1% fel av exakta lösningar. Bakgrundskontexten visar att lösning av multi-partikelproblemet är avgörande för att designa nya supraledare och förstå supraledning vid höga temperaturer, områden som är centrala för nästa generations elektronik.
Implikationerna sträcker sig till praktiska tillämpningar: snabbare simuleringar kan påskynda läkemedelsupptäckt genom modellering av molekylära interaktioner och förbättra prototypning av kvant-enheter. Experter noterar dock begränsningar; AI:n utmärker sig i lågdimensionala system men kan kräva skalning för tredimensionella material. 'Även om lovande är detta ett steg, inte en fullständig lösning', kommenterade Dr. Vasquez och betonade pågående förfiningar.
Inga större motsägelser framträder i rapporteringen, då meddelandet stämmer överens med peer-reviewed valideringar. Denna utveckling understryker AI:s växande roll i grundläggande vetenskap och kan potentiellt överbrygga teoretisk fysik med beräkningsbarhet.