Meine Merkliste
my.chemie.de  
Login  

Künstliche Intelligenz erkennt Quantenphasenübergänge

10.07.2019

UHH/AG Sengstock

Für die Datenanalyse nutzen die Wissenschaftler ein neuronales Netzwerk aus vielen Lagen und Filtern, das sie mit experimentellen Bildern von ultrakalten Atomen wie diesen speisten.

Forscher der Universität Hamburg haben Methoden des maschinellen Lernens genutzt, um die Identifikation von Quantenphasenübergängen aus experimentellen Daten zu verbessern. Dazu trainierten sie ein künstliches neuronales Netzwerk darauf, experimentelle Bilder einer der möglichen Quantenphasen zuzuordnen.

Die Einsatzgebiete von Künstlicher Intelligenz (KI) und „Maschinellem Lernen“ reichen vom autonomen Fahren über vollständig automatisierte Industrieprozesse bis zum Haushalt („intelligenter Kühlschrank“). Aber auch in der Wissenschaft werden diese Methoden intensiv eingesetzt und erforscht, etwa in der Teilchenphysik, wo zum Beispiel KI-Netzwerke aus Milliarden von Datensätzen die relevanten Informationen vorsortieren.

Nun ist es Hamburger Forschern erstmals gelungen, KI in der Quantenphysik einzusetzen, um aus experimentellen Daten sogenannte Quantenphasenübergänge zu erkennen, also die Punkte, an denen sich Eigenschaften von Stoffen verändern. Dies ist besonders interessant, da die Vermessung mit gewöhnlichen Auswertungsmethoden weitaus langwieriger ist. Die Forscher betonen daher, dass dieses Ergebnis weitreichende Konsequenzen für den Forschungsalltag haben kann. Künstliche Intelligenz könne im Labor in Echtzeit ganz neue Effekte der Quantenphysik analysieren, die sonst nicht zugänglich sind.

Das Team um Prof. Klaus Sengstock und Dr. Christof Weitenberg vom Exzellenzcluster „CUI: Advanced Imaging of Matter“ und dem Sonderforschungsbereich „Lichtinduzierte Kontrolle und Dynamik korrelierter Quantensysteme“ trainierte die KI anhand von Experimenten mit sogenannten ultrakalten Quantengasen, die nahe an den absoluten Temperaturnullpunkt von rund -273 Grad Celsius heruntergekühlt waren. Bei ihren Experimenten fangen die Forscher ultrakalte Atome in einem Gitter aus Laserlicht und simulieren damit die Physik der Elektronen in einem Festkörper.

Wenn man die Parameter der Gitter ändert, ordnen sich die Atome unterschiedlich an und die Gase bekommen verschiedene Eigenschaften. Während ein Gas in einer Phase zum Beispiel Teilchen ohne Reibung leitet, isoliert es in einer anderen Phase. Die Forscher interessieren sich für die Übergänge zwischen diesen Phasen, die sich jeweils durch die gemessene Impulsverteilung unterscheiden. Das Team trainierte das neuronale Netzwerk darauf, im Experiment gewonnene Bilder dieser Impulsverteilung der jeweils richtigen Phase zuzuordnen und damit die Phasenübergänge zu lokalisieren.

Weitenberg erläutert: „Zuvor hatten andere Wissenschaftler diesen Ansatz für numerisch generierte Bilder demonstriert. Dass er auch mit experimentellen Daten funktioniert, ist ein vielversprechendes Ergebnis.“ Niklas Käming, der als Masterstudent wesentliche Beiträge zur Datenanalyse geleistet hat, ergänzt: „Die Anwendung von Maschine-Learning-Techniken auf Quantengas-Experimente eröffnet viele spannende Möglichkeiten. Als nächstes wollen wir die Methode auf sogenanntes unüberwachtes maschinelles Lernen erweitern, bei dem die Bilder für das Training des Netzwerks keine vorab festgelegte Zuordnung zu einer der Quantenphasen haben müssen.“

Fakten, Hintergründe, Dossiers
  • maschinelles Lernen
  • Quantenphasenübergänge
  • künstliche neuronal…
  • künstliche Intelligenz
  • Quantenphysik
  • Quantengase
  • Phasenübergänge
Mehr über Uni Hamburg
  • News

    Korkenzieher-Laser sortiert Spiegelmoleküle

    Viele der molekularen Bausteine des Lebens gibt es in zwei spiegelbildlichen Versionen. Obwohl scheinbar identisch, können diese beiden sogenannten Enantiomere ein völlig unterschiedliches chemisches Verhalten aufweisen – eine Tatsache, die große Auswirkungen auf unser tägliches Leben hat. ... mehr

    Spontanes Auftreten magnetischer Wirbel entdeckt

    Seit ihrer experimentellen Entdeckung vor zehn Jahren sind magnetische Skyrmionen – stabile Wirbel in magnetischen Materialien – in den Fokus der Forschung geraten. Aufgrund ihrer hohen Stabilität, der Möglichkeit sie wenige Dutzend Atome klein zu machen und ihrer Manipulierbarkeit mit elek ... mehr

    Miniaturisierte Teilchenbeschleuniger für den Labortisch?

    Auf dem Weg zu neuartigen, kompakten Teilchenbeschleunigern hat ein Forscherteam von DESY und der Universität Hamburg einen wichtigen Meilenstein erreicht: Mit ultrastarken Laserpulsen ist es den Wissenschaftlern gelungen, besonders energiereiche Blitze im Terahertz-Bereich zu erzeugen, die ... mehr

  • Autoren

    Prof. Dr. Markus Fischer

    Jg. 1965, studierte Lebensmittelchemie an der Technischen Universität München und promovierte 1997 im Bereich Molekularbiologie/Proteinchemie. 2003 habilitierte er sich für die Fächer Lebensmittelchemie und Biochemie. Seit 2006 ist er Direktor des Instituts für Lebensmittelchemie der Univer ... mehr

    Luise Herrmann

    Jg. 1983, studierte bis 2010 Lebensmittelchemie an der Universität ­Hamburg. In ihrer Diplomarbeit beschäftigte sie sich mit der Differenzierung von Weizen und Dinkel über deren Proteinmuster. Nach dem Studium absolvierte sie ihr praktisches Jahr teils in Nantes, Frankreich und in Hamburg. ... mehr

    Dr. Anke Heisig

    Anke Heisig, geb. 1961, studierte Biologie mit dem Schwerpunkt Molekularbiologie an der FU Berlin und promovierte am Max-Planck-Institut für Molekulare Genetik in Berlin-Dahlem. Seit 1998 leitet sie einen DNA-Sequenzierservice zunächst an der Universität Bonn. Nach ihrer Tätigkeit bei der F ... mehr

Ihr Bowser ist nicht aktuell. Microsoft Internet Explorer 6.0 unterstützt einige Funktionen auf Chemie.DE nicht.