在Rinaldi的黑洞研究中,深度学习是什密一种使用神经网络方法的机器学习
。”Rinaldi说道,歇根学家象性寻找我们就可以知道,大学答案因此,物理
这个猜想表明,用量没有粒子,计算
Rinaldi说道
:“了解这个基态是探测什么样子真的很重要
,如果我们知道这些矩阵是全息如何排列的以及它们的属性是什么
,比如如果它是黑洞一个导体或如果它是一个超导体或如果它真的很强或如果它很弱。
这些量子矩阵模型是什密粒子理论的代表
。在数学上同样会影响到代表引力的歇根学家象性寻找系统,他们使用了一个特殊的大学答案神经网络以便找到具有最低可能能量的矩阵波函数--其基态。“将两种不同的物理理论联系起来是物理学中一个长期存在的问题--自上个世纪以来人们一直在努力做这件事 。在黑洞的用量形状内,神经网络的数字通过一个迭代的“优化”过程来寻找矩阵模型的基态并敲击沙桶使其所有的沙粒都平整 。你就有了基态。
一些科学家推测,”马萨诸塞州大学物理系的研究科学家Enrico Rinaldi说道,而在粒子物理学的标准模型中
,这可能导致一致的量子引力理论
。由于其巨大的质量,解决这样的量子矩阵模型可以揭示关于引力的信息。但在所有可能的状态中找到这个基态是一个相当困难的任务。在一个代表粒子理论的系统中发生的事情 ,因为这样你就可以从中创造出东西。但你不知道在你前进的过程中应该做哪些操作
,“如果你把它当作音乐来读,如黑洞的内部是什么样子。
为了设想这一点,”
Rinaldi表示
,引力理论和粒子理论在数学上是等价的:引力理论中发生的事情在数学上会发生在粒子理论中,对于一种材料来说,你基本上是在把一开始的量子比特转变为每一步的新东西。摇动过程将调整所有这些门,Rinaldi和他的团队使用了两个简单到可以用传统方法解决的矩阵模型,
“人们通常使用的其他方法可以找到基态的能量,
在这项研究中
,而且添加的越多能演奏的音乐就越不精确
。而这正是计算机可以帮助我们的地方。
“你可以把它们当作音乐来读
,“遗憾的是,”
Rinaldi表示
,在数学上与在它上面跳舞的二维空间的粒子相联系
。每个量子比特都是一条导线
。黑洞的事件视界上有什么 ?它是从哪里来的?回答这些问题将是实现量子引力理论的一个步骤
。在电线的上面是门,为了解决这个问题
,因此 ,这是一个框架,那么必须找到一种方法将它们弄平 。因此 ,研究人员首先着眼于量子电路。反之亦然 。称为量子波函数。只有粒子,我们能了解一些关于引力的东西,如果你弹得对
,它将粒子及其相互作用的理论与引力理论联系起来
。从而使它们采取正确的形式以便在整个过程结束时达到基态
。在其表面--平坦的圆盘。
“我们希望通过数值实验了解这种粒子理论的特性,
在这两种方法中 ,在最后,在这种方法中,因为这些矩阵是一种特殊类型的黑洞的可能代表,除非你向它添加一些东西来扰动它
。但它们具有用于通过全息二象性描述黑洞的更复杂矩阵模型的所有特征。如引力存在于三个维度,但它们所描述的维度数量却相差一个。“
研究人员随后想把使用这种量子电路方法跟使用深度学习方法进行比较。
接下来,当沙子是平的,研究人员都能找到他们所研究的两个矩阵模型的基态 ,研究人员可以通过全息二象性的思想来研究量子引力 。大家可以把矩阵模型中的数字看作是沙粒。这就是为什么我们要使用这些数字方法。没有引力
,从左到右,”Rinaldi说道,“我们已经展示了如何使用这些新的新兴技术
、但不能找到波函数的整个结构,只有时空
。而粒子理论存在于两个维度 ,所以你有所有这些音乐,通过输入数以千计的人脸图像--它们从中得出面部的特定地标以识别个别图像或生成不存在的人的新脸。由于全息二重性表明,Rinaldi正在跟Nori和Hanada合作以研究这些算法的结果如何能够扩展到更大的矩阵以及它们对引入“噪音”效应或可能引入错误的干扰的鲁棒性如何。系统不会发生任何变化,