Lernen wie Maschinen lernen

Wissenschaftler der Universität von Toronto und Mario Krenn vom MPL haben eine neue Methode entwickelt um zu beobachten, wie künstliche neuronale Netze Informationen verarbeiten und lernen.

Die interne Darstellung von quantenoptischen Experimenten in einem neuronalen Netz. Gelb (Violett): Experimente, die (nicht) verschränkte Quantenzustände erzeugen. Die diskrete Struktur war ein überraschendes Ergebnis und wurde als eine Anhäufung ähnlicher Experimente verstanden.

Während das Wort "künstliche Intelligenz" vielleicht die Vorstellung von Science-Fiction-Filmen hervorruft, in denen Roboter die Welt erobern, hat es in Wirklichkeit in den letzten Jahren viele Fortschritte bei der Schaffung "künstlicher Gehirne" gegeben. Künstliche Intelligenz wird häufig von neuronalen Netzen gesteuert, die versuchen, das menschliche Gehirn zu imitieren. Diese können aus einer unterschiedlichen Anzahl von Schichten bestehen, was die Komplexität des Systems und seine Fähigkeit, Daten zu kategorisieren und darauf basierend Vorhersagen zu treffen, erhöht. Sogenannte tiefe generative Modelle (DGM) sind neuronale Netze mit mehreren Schichten, die darauf trainiert sind, komplizierte Wahrscheinlichkeitsverteilungen anhand einer großen Anzahl von Datenproben zu approximieren.

Die Entwicklung dieser DGMs ist in den letzten Jahren zu einem der am meisten erforschten Bereiche der künstlichen Intelligenz geworden. Ein mit DGMs erzielter Fortschritt hat es sogar in die Öffentlichkeit geschafft: die Erfolge bei der Erzeugung realistisch aussehender Bilder, Stimmen oder Filme - was zur Entwicklung so genannter Deep Fakes geführt hat. In wissenschaftlicheren Ansätzen wurden Deep-Learning-Methoden in den chemischen Wissenschaften für das Moleküldesign und in einem der komplexesten Bereiche der Physik, der Quantenmechanik, eingesetzt.

 

Analyse der Quantenmechanik mit neuronalen Netzen

 

Die Quantenmechanik umfasst viele Phänomene, die aus Sicht der klassischen Physik kontraintuitiv erscheinen. Ein Beispiel dafür ist die Quantenverschränkung, ein Hauptmerkmal der Quantenmechanik, das in der klassischen Mechanik nicht vorhanden ist.
Eine große Schwierigkeit bei der Verwendung von DGMs und anderen neuronalen Netzen ist das fehlende Verständnis dafür, wie sie eine Aufgabe erledigen, wie sie zu einer Lösung kommen und wie sie lernen. Ohne dieses Verständnis können die Wissenschaftler wiederum nicht von den Netzen lernen. Aus diesem Grund wollten die Autoren in dieser in der Zeitschrift Nature Machine Intelligence (LINK) veröffentlichten Arbeit ein Modell entwickeln, dem sie beim Lernen zusehen können.

Das Modell, das in dieser Arbeit QOVAE (quantum optics variational auto encoder) genannt wird, wurde mit einer Reihe von quantenoptischen Experimenten gefüttert und mit der Aufgabe betraut, dieselben Experimente zu reproduzieren. Dazu musste das Netz zunächst die Experimente verstehen, die ihm vorgelegt wurden. Die Frage war jedoch nicht, ob das Netz dazu in der Lage war, sondern wie es dies tun würde. Genau das wollten die Forscher herausfinden. Sie erreichten dies, indem sie eine Art Engpass im neuronalen Netzwerk schufen, in dem das Netzwerk auf 2 Neuronen reduziert wurde, was es ermöglichte, sein Innenleben in 2D zu betrachten. 

Das Team, zu dem auch MPL-Forschungsgruppenleiter Mario Krenn gehört, fand heraus, dass QOVAE in der Lage ist, Experimente intern nach bestimmten Maßstäben zu sortieren, z. B. nach der Länge des Experiments, der Anordnung der Geräte oder dem Ausmaß der Verschränkung, ohne dass es dazu aufgefordert wurde, wodurch es die Daten besser speichern kann. Da nun bekannt ist, dass dieses neuronale Netz auf diese Weise über experimentelle Daten nachdenkt, kann es dazu verwendet werden, neue Quantenexperimente zu entwerfen, ohne dass es dafür trainiert werden muss. Außerdem kann dieses System nun für komplexere Probleme verwendet werden, so dass die Forscher möglicherweise neue Informationen aus den internen Prozessen des Netzwerks lernen können.


Bild 1: (Abgebildet mit der Erlaubnis von Daniel Flam-Shephard et al., Nature Machine Intelligence 4, 544-554 (2022)): Die interne Darstellung von quantenoptischen Experimenten in einem neuronalen Netz. Gelb (Violett): Experimente, die (nicht) verschränkte Quantenzustände erzeugen. Die diskrete Struktur war ein überraschendes Ergebnis und wurde als eine Anhäufung ähnlicher Experimente verstanden.

Kontakt:
Dr. Mario Krenn mario.krenn@mpl.mpg.de

Originalpublikation:
Daniel Flam-Shepherd, Tony C. Wu, Xuemei Gu, Alba Cervera-Lierta, Mario Krenn, Alán Aspuru-Guzik
"Learning interpretable representations of entanglement in quantum optics experiments using deep generative models", Nature Machine Intelligence 4, 544-554 (2022)
https://doi.org/10.1038/s42256-022-00493-5

Back

Kontakt

Edda Fischer

Leitung Kommunikation und Marketing
Telefon: 09131 7133 805
MPLpresse@mpl.mpg.de

 

Max-Planck-Zentren und -Schulen