Maschinelles Lernen in der Quantenphysik: Annabelle Bohrdt erklärt Künstliche Intelligenz im Deutschen Museum

Wie kann Künstliche Intelligenz dabei helfen, die komplexen Vorgänge der Quantenwelt zu verstehen? In der Vortragsreihe „Wissenschaft für jedermann“ des Deutschen Museums in München erläutert die theoretische Physikerin Prof. Dr. Annabelle Bohrdt, wie maschinelles Lernen die Erforschung von Quantenvielteilchensystemen verändert. Im Mittelpunkt stehen neue Methoden zur Berechnung von Quantenzuständen und die Frage, wie sich damit das Rätsel der Hochtemperatur-Supraleitung besser verstehen lässt.

Quantenphysik trifft Künstliche Intelligenz: Neue Wege in der Forschung

Wenn viele kleinste Bausteine der Materie miteinander wechselwirken, können Eigenschaften entstehen, die sich nicht unmittelbar aus dem Verhalten einzelner Teilchen erklären lassen. Zu diesen sogenannten kollektiven Phänomenen gehören Magnetismus und Supraleitung.

Solche Quantenvielteilchensysteme sind für die moderne Physik von besonderem Interesse. Gleichzeitig stellen sie die Forschung vor erhebliche mathematische und rechnerische Herausforderungen.

Der Grund liegt in den besonderen Gesetzmäßigkeiten der Quantenmechanik. Der gemeinsame Quantenzustand vieler Teilchen lässt sich im Allgemeinen nicht einfach aus den Zuständen der einzelnen Teilchen zusammensetzen. Stattdessen müssen zahlreiche mögliche Konfigurationen und ihre quantenmechanischen Zusammenhänge berücksichtigt werden.

Im Vortrag am Deutsches Museum erklärt Annabelle Bohrdt, wie moderne Verfahren des maschinellen Lernens helfen können, solche komplexen Systeme zu untersuchen.

Das Big-Data-Problem der Quantenwelt

Eine zentrale Schwierigkeit bei der Berechnung von Quantensystemen ist die enorme Zahl möglicher Zustände.

Mit jedem zusätzlichen Teilchen kann die Anzahl der zu berücksichtigenden Konfigurationen stark anwachsen. Bei vielen Quantenvielteilchensystemen geschieht dies exponentiell.

Bereits vergleichsweise kleine Systeme können deshalb so komplex werden, dass ihre vollständige Beschreibung die Möglichkeiten klassischer Computer übersteigt.

Dieses Problem wird im Vortrag als „Big-Data-Problem“ der Quantenwelt bezeichnet.

Die Herausforderung besteht darin, die entscheidenden Informationen über das gemeinsame Verhalten der Teilchen zu erfassen, ohne sämtliche theoretisch möglichen Kombinationen einzeln berechnen und speichern zu müssen.

Wie maschinelles Lernen Quantenzustände berechnen kann

Eine vielversprechende Möglichkeit bieten Methoden des maschinellen Lernens. Dabei werden lernfähige mathematische Modelle eingesetzt, um komplexe Muster und Zusammenhänge in großen Datenmengen zu erkennen.

In der Quantenphysik können spezielle künstliche neuronale Netze verwendet werden, um Quantenzustände in einer kompakten mathematischen Form darzustellen.

Statt alle möglichen Teilchenkonfigurationen unabhängig voneinander zu speichern, lernt das Modell eine Beschreibung ihrer Zusammenhänge.

Solche Verfahren werden unter anderem als neuronale Quantenzustände bezeichnet. Sie können dabei helfen, bestimmte Vielteilchensysteme effizienter zu simulieren und ihre physikalischen Eigenschaften zu untersuchen.

Annabelle Bohrdt zeigt, wie sich diese Ansätze mit etablierten numerischen Methoden und Erkenntnissen aus Experimenten verbinden lassen.

Hochtemperatur-Supraleitung: Strom ohne elektrischen Widerstand

Ein wichtiges Anwendungsgebiet dieser Forschung ist die Supraleitung. Bei diesem quantenphysikalischen Phänomen verschwindet unter bestimmten Bedingungen der elektrische Widerstand eines Materials.

Elektrischer Strom kann dann ohne die üblichen ohmschen Energieverluste fließen.

Bei herkömmlichen Supraleitern tritt dieser Zustand häufig erst bei extrem niedrigen Temperaturen auf. Bestimmte Hochtemperatur-Supraleiter erreichen ihn dagegen bereits bei vergleichsweise höheren Temperaturen.

Im Vortrag geht es unter anderem um Materialien, die bei etwa minus 135 Grad Celsius beziehungsweise 138 Kelvin supraleitend werden.

Obwohl diese Temperatur im Alltag immer noch außergewöhnlich niedrig ist, stellt sie für die Supraleitungsforschung einen wichtigen Bereich dar.

Die physikalischen Mechanismen, die Hochtemperatur-Supraleitung in bestimmten Materialien ermöglichen, sind bis heute nicht vollständig verstanden.

KI hilft bei der Erforschung neuartiger Materialien

Durch den Einsatz maschinellen Lernens können Forschende realistischere Modelle komplexer Materialien untersuchen.

Besonders interessant sind dabei stark korrelierte Quantensysteme, in denen die Wechselwirkungen zwischen den Teilchen eine entscheidende Rolle spielen.

Solche Systeme lassen sich mit vereinfachten physikalischen Beschreibungen häufig nur unzureichend erfassen.

KI-gestützte Methoden können helfen, ihre Quantenzustände genauer zu modellieren und theoretische Vorhersagen mit experimentellen Ergebnissen zu vergleichen.

Langfristig könnte ein besseres Verständnis dieser Vorgänge dazu beitragen, neue Materialien mit verbesserten supraleitenden Eigenschaften zu entwickeln.

Die Forschung ist damit ein Beitrag zur Grundlagenphysik und möglicherweise auch zur zukünftigen Entwicklung energieeffizienter Technologien.

Annabelle Bohrdt verbindet theoretische Physik und maschinelles Lernen

Annabelle Bohrdt beschäftigt sich in ihrer wissenschaftlichen Arbeit mit stark korrelierten Quantensystemen und der Entwicklung neuer Methoden zu deren Untersuchung.

Ihr Forschungsansatz verbindet theoretische Modelle, numerische Berechnungsverfahren und maschinelles Lernen mit Erkenntnissen aus Experimenten zur Quantensimulation.

Ziel ist es, ein besseres mikroskopisches Verständnis komplexer quantenphysikalischer Phänomene zu gewinnen.

Im Mittelpunkt stehen dabei insbesondere Fragestellungen, bei denen herkömmliche Berechnungsmethoden an ihre Grenzen stoßen.

„Wissenschaft für jedermann“ im Deutschen Museum München

Der Vortrag von Annabelle Bohrdt ist Teil der Veranstaltungsreihe „Wissenschaft für jedermann“, mit der das Deutsche Museum aktuelle Forschungsthemen einem breiten Publikum vermittelt.

Die Veranstaltung entsteht in Zusammenarbeit mit der Ludwig-Maximilians-Universität München und dem Exzellenzcluster Munich Center for Quantum Science and Technology (MCQST).

Der Vortrag macht deutlich, wie eng moderne Physik und Künstliche Intelligenz inzwischen miteinander verbunden sind. Maschinelles Lernen wird dabei nicht nur zur Analyse großer Datenmengen eingesetzt, sondern zunehmend auch als Werkzeug zur Erforschung grundlegender Naturgesetze.

Die Verbindung von Quantenphysik, KI und Materialforschung eröffnet neue Möglichkeiten, das Verhalten komplexer Materie besser zu verstehen und bislang ungelöste Fragen der Physik zu untersuchen.

Mehr unter: deutsches-museum.de