Viết bởi Lambda_PsiThứ hai, 18 Tháng 3 2019 16:33
Dưới sự chỉ đạo của nhà sáng lập Mobileye Amnon Shashua, một nhóm nghiên cứu tại Khoa Kĩ thuật và Khoa học Máy tính thuộc Đại học Hebrew Jerusalem vừa chứng minh được rằng trí tuệ nhân tạo (AI) có thể giúp chúng ta tìm hiểu thế giới ở một cấp độ vô cùng nhỏ gọi là các hiện tượng vật lí lượng tử.
Các hiện tượng vật lí lượng tử là một trong những chủ đề nóng nhất của vật lí đương đại. Nó khảo sát cách các hạt trong tự nhiên “đến với nhau” và mang đến các tính chất độc nhất vô nhị của chúng, ví dụ như độ dẫn điện hay độ thẩm từ. Tuy nhiên, cho đến nay hầu như chưa có nhà nghiên cứu nào may mắn có được nhiều hơn là một cái nhìn thoáng qua vào những hiện tượng phức tạp này. Nguyên nhân do bởi các hiện tượng này chứa số lượng hạt vô số (mỗi gam chứa một tỉ tỉ hạt) và giữa chúng có vô số tương tác. Mãi cho đến lúc này.
Một nghiên cứu mới công bố trên tạp chí Physical Review Letters của các nghiên cứu sinh khoa học máy tính dưới trướng của giáo sư Shashua – Yoav Levin, Or Sharir và Nadav Cohen – họ vừa chứng minh được về mặt toán học rằng các thuật toán dựa trên các mạng neural sâu có thể được áp dụng để hiểu rõ hơn thế giới vật lí lượng tử.
Các thuật toán này, rất giống với các thuật toán đem lại cho máy vi tính của chúng ta các khả năng nhận diện gương mặt và giọng nói, nay có thể được khai thác để tăng cường hiểu biết của chúng ta về hành trạng của tự nhiên. Như lời tác giả đứng tên đầu Shashua chia sẻ, “cái chúng tôi có ở đây chẳng có gì đặc biệt hết: một tạp chí vật lí hàng đầu đăng tải một nghiên cứu khoa học máy tính. Sự thụ phấn chéo này đã đem lại một công cụ mới và quan trọng sẽ giúp chúng ta tìm hiểu bản chất lượng tử của thế giới xung quanh chúng ta.”
Tương tự như những cuộc cách mạng công nghệ của thế kỉ 20, việc thu được hiểu biết sâu sắc hơn về vật lí lượng tử thông qua trí tuệ nhân tạo có tiềm năng cách mạng hóa mọi mặt đời sống của chúng ta, từ điện toán và năng lượng cho đến giao thông vận tải.
Thông tin thêm: Yoav Levine et al, Quantum Entanglement in Deep Learning Architectures, Physical Review Letters (2019). DOI: 10.1103/PhysRevLett.122.065301
Nguồn: PhysOrg.com
Phần nhận xét hiển thị trên trang
Không có nhận xét nào:
Đăng nhận xét