برای توصیف برخی از پدیده‌ها در فیزک کوانتومی بس‌ذره‌ای (quantum many-body) چندین نظریه‌ی رقیب وجود دارند، اما کدام یک، یک پدیده‌ه‌ی کوانتومی را به بهترین نحو توصیف می‌کند؟ گروهی از محققان دانشگاه فنی مونیخ (TUM) و دانشگاه هاروارد شبکه عصبی را برای تحلیل تصاویر لحظه‌ای سیستم‌های کوانتومی به کار بردند. نتایج این پژوهش در مجله‌ی Nature Physics منتشر شده است. با دیپ لوک همراه باشید…
آیا این یک سگ است یا یک گربه ؟ این یک مثال معروف از یادگیری ماشین (Machine Learning) است. شبکه عصبی مصنوعی را می‌توان برای تحلیل تصاویر با جستجوی الگوهایی که مشخصه اشیای خاص هستند، آموزش داد. فلسفه‌ی اصلی شبکه‌ی عصبی مصنوعی، مدل کردن ویژگی پردازشی مغز انسان برای تقریب زدن روش‌های معمولی محاسباتی با روش پردازش زیستی است. به بیان دیگر، شبکه‌ی عصبی مصنوعی، دانش ارتباط بین چند مجموعه داده را از طریق آموزش فرا گرفته و برای استفاده در موارد مشابه استفاده می‌کند. در صورتی که سیستم چنین الگوهایی را یاد گرفته باشد، قادر به تشخیص سگ ها یا گربه ها در هر تصویر است.
با استفاده از همین اصل، شبکه های عصبی می توانند تغییرات بافت تصاویر رادیولوژیکی را تشخیص دهند. فیزیکدانان اکنون از این روش برای تجزیه و تحلیل تصاویر لحظه‌ای (snapshots) سیستم‌های کوانتومی بس‌ذره‌ای استفاده می کنند. آنان با این روش درمی‌یابند که کدام نظریه کامل‌ترین توصیف را از پدیده‌های مورد مشاهده انجام می‌دهد.
جهان کوانتومی احتمالات
فیزیکدانان هنوز به راز وقوع بسیاری از پدیده‌ها در فیزیک ماده چگال پی نبرده‌اند. به عنوان مثال، صفر شدن مقاومت الکتریکی در ابررسانایی دما بالا (high-temperature superconductors)، در دمای حدود ۲۰۰- درجه سانتیگراد آنها را مبهوت نگاه داشته است.
درک چنین حالت‌های فوق‌العاده‌ای از ماده چالش‌برانگیز است. شبیه سازی کوانتومی بر اساس اتمهای مافوق سرد لیتیم (Ultracold Lithium Atoms) برای مطالعه فیزیک ابررساناهای دما بالا طراحی شده است. فیزیکدانان با گرفتن تصاویر لحظه‌ای از سیستم‌های کوانتومی، بر‌هم‌نهی آنها را مورد بررسی قرار می‌دهند. هر تصویر لحظه‌ای از سیستم کوانتومی، یک پیکربندی ویژه مطابق با احتمال کوانتومی خود را ارائه می‌دهد. برای درک چنین سیستم‌های کوانتومی، مدل های نظری متنوعی توسعه یافته‌اند. اما این نظریات چگونه واقعیت را بازتاب می‌دهند؟ با تجزیه و تحلیل داده‌های تصویری می‌توان به این سوال پاسخ داد.
شبکه‌های عصبی به بررسی جهان کوانتومی می‌پردازند
برای این منظور، الگوریتم یادگیری ماشین توسط یک تیم تحقیقاتی از دانشگاه فنی مونیخ و دانشگاه هاروارد با موفقیت به کار گرفته شد. محققان یک شبکه عصبی مصنوعی برای آزمودن دو نظریه کوانتومی به کار بردند. آنابل برت (Annabelle Bohrdt)، دانشجوی دکترا در دانشگاه فنی مونیخ می‌گوید:
مانند تشخیص گربه‌ها یا سگ‌ها در یک عکس، تصاویر لحظه‌ای پیکربندی‌های بدست آمده از هر نظریه کوانتومی، از یک شبکه عصبی تغذیه می‌شوند. سپس پارامترهای شبکه برای برچسب‌گذاری مناسب هر تصویر، بهینه‌سازی می‌گردند. اینجا فقط به جای گربه یا سگ، نظریه «الف» یا نظریه «ب» قرار می‌گیرد.
در این فرآیند، شبکه عصبی پس از مرحله‌ی آموزش با داده‌های نظری، الگوریتم‌ها را آموخت و با تصاویر لحظه‌ای، شبیه سازهای کوانتومی را انجام داد. سپس نتایج را روی نظریات «الف» یا «ب» اعمال کرد. به این ترتیب، شبکه عصبی، نظریه‌ای را انتخاب کرد که توان پیش‌بینی بهتری داشت .
در آینده، محققان قصد دارند از این روش جدید برای ارزیابی دقت چند نظریه‌ی دیگر استفاده کنند. دانستن اثرات اصلی فیزیکی ابررسانایی دما بالا و تصویربرداری رزونانس مغناطیسی کارآمد، تنها دو نمونه از اهداف پیش روی آنهاست.
گفتگو۲ دیدگاه
در فراکتال های فرا کوانتومی اجزاء بصورت گزینشی خاموش و روشن می گردند و در این صورت است که در یک فراکتال مثلا مثلثی مثلا گل کلم دائما اجزاء تله پورت شده به سمت همدیگر کشیده ویا رد می شوند در این صورت اگر درست دیده باشید مثلا یک درخت توت سیاه می توان فرآیند فراکتالیده شدن و تله پورت را که زمین و خاک عمل معکوس فرا کوانتومی را انجام می دهد دقیقا یک بمب اتمی مثال خوبی از مرگ و اسکلت است که نمایش در دوردست را می دهد مثلا در انفجارهایی که از یک بمب صورت می گیرد مغز تصویری از یک اسکلت را تداعی می کند را ببینید نتیجه می گیریم که در فراکتال عمل عکس یعنی یک خط سیری برای انعکاس بوجود می آید که نشانه این است که فراکتال نوعی هوش زنده است و وابسته به حیات است با این تکنیک می توان ابر رایانه هایی طراحی کرد که خود فراکتالیده فراکوانتومی باشند و بتوانند اجزاء نسبت به هم موانتیده شده شوند ابر رایانه شما توانایی این را خواهد داشت که نسبت به عکس معکوس عمل کند و یک ابر رایانه ای را تولید کند که به انجام شناخت در هر دو سیستم را د اشته باشد در تمامی اجزاء درختان یک شبکه مصنوعی طبیعی در زیر خاک با هم تنیده شدن یاد می گیرند که چگونه فراموانتیده شده باشند و این یعنی اختیار غزیزه و اتیار که در دست انسان است فقط شاخص نیست بلکه در اثر شاخص و در کوکی و در بلوغ خود اختیار است می تواند یا منفی و گناه کند یا گناه نکند راگر فاراکوانتوم انسانی باشد در نتیجه یعنی سیستم یادگیری انسانی باشد و اختیار را به او بدهیم احتیار و یادگیری مثل یک چوب شاخص مسیر رفتار ابر کوانتوم را به سمت سیستمی انجام دهد که در قبل کوانتومهای فاراکتالی را فرا گرفته و این یادگیری اگر تحت یک شاخص باشد یاد گیری مثلا خوردن موز در ژنتیک که همان فراکتال است باعث خوردن موز و یا موقعی که نیاز به انرژی داشته باد اعلام نیاز از فراکتال درونی مثلا معده به مغز ثابت می گردد در هر صورت فراکتالی که از شاخص بالا رفته است باعث انجام فرایند انجام اختیار می گردد پس اختیار در فلسفه است که فرآیند انجام هر حرکتی یعنی همان اختیار و یا اراده
در ابر رسانایی دما بالا وقتی مقاومت به صفر می رسد که -مقاومت اصلا چیست مقاومت نتیجه برخورد یک دسته انرژی و یا یک دسته الکترون به مولکولها و یا اتمهای جسم می باشد وقتی این دسته از الکترونها مانعی سر راه خود نداشته باشند در اصطلاح مقاومت به صفر می شود در نتیجه وقتی شما پلاسما را در اختیار داشته باشید که انرژی و یا باریکه نوعی برخورد یک انرژی به یک سطح در نتیجه سایه را از مدار حذف می کنید یعنی عمل شنل نامرئی کننده را در اختیار خواهید داشت چون اگر بتوانید مقاومت را از دست بدهید می توانید به تکنولوژی شنل نامرئی کننده دست یابید و یعنی دیگر هیچ راداری توانایی شناسایی شما را نخواهد داشت این یک تکنیک می تواند باشد چون امواج رادار و یا در ابر رایانه های کوانتومی می توان از صفر و یک شدن این اثر در تولید ترانزیستورهای مختلف جهت انجام پردازش استفاده کنیم یعنی یا هردو یا صفر یا یک و در نتیجه شما توانایی ثبت داده و حتی طراحی حافظه های مختلف ایتفاده از همین سیتم را خواهید داشت