Tapahtumat

Väitös teknillisen fysiikan alalta, M.Sc. Rouven Alexander Koch

Väitöskirja tutkii, miten koneoppiminen voi ratkaista kvanttimaterian ongelmia ja edistää kvanttiteknologiaa ja materiaalitiedettä.

Väitös Aalto-yliopiston perustieteiden korkeakoulusta, teknillisen fysiikan laitokselta.
Oppia kvanttimateriaa koneoppimisen avulla

Väitöskirjan nimi: Engineering quantum matter with generative machine learning
Vastaväittäjä: professori Daniele Passerone, ETH Zurich and EMPA, Sveitsi
Kustos: professori Jose Lado, Aalto-yliopiston perustieteiden korkeakoulu, teknillisen fysiikan laitos

Suunnitella kvanttimateriaa generatiivisella koneoppimisella

Kvanttiaine, jolle ovat ominaisia sen eksoottiset ominaisuudet ja ilmiöt, tarjoaa kiehtovan maiseman, johon kuuluvat esimerkiksi suprajohtimet ja topologiset eristeet, jotka voivat toimia uusien kvanttilaitteiden ja -teknologioiden rakennuspalikoina. Nämä materiaalit ja järjestelmät osoittavat käyttäytymistä, joka on harvinaista luonnollisissa yhdisteissä, mikä tekee niistä sekä kiehtovia että haastavia tutkia. Kondensoituneen aineen järjestelmien monimutkaisuus vaatii hienostuneita lähestymistapoja niiden ainutlaatuisten ominaisuuksien ymmärtämiseksi ja karakterisoimiseksi. Huolimatta merkittävistä edistysaskelista laskennallisissa tekniikoissa ja kokeellisissa menetelmissä alalla on yhä suuria haasteita. Näiden monimutkaisuuksien voittaminen vaatii uusien menetelmien jatkuvaa kehittämistä.

Tämä väitöskirja tutkii kondensoituneen aineen teorian, kvanttiaineen ja tekoälyn (AI) leikkauspistettä. Hyödyntämällä koneoppimisen (ML) voimaa, erityisesti generatiivisia ML-tekniikoita, pyrimme ratkaisemaan joitakin kvanttimonikappalefysiikan monimutkaisimpia ongelmia. ML:n merkitys tieteellisessä tutkimuksessa, erityisesti fysiikassa, kasvaa nopeasti modernin AI-tutkimuksen menestyksen ansiosta. Tekniikat, kuten generative adversarial networks (GANs) ja suuret kielimallit (kuten ChatGPT), ovat mullistaneet eri tutkimusalueita tarjoamalla uusia mahdollisuuksia, aina realististen kuvien luomisesta johdonmukaisen tekstin tuottamiseen. Tässä työssä käytämme näitä generatiivisia ML-menetelmiä parantaaksemme kvanttiaineen simulointimenetelmiä, paljastaaksemme monimutkaisten kvanttisysteemien piilevät parametrit datasta ja automatisoidaksemme kvanttilaitteiden ja -kokeiden, kuten Kitaevin ketjun, hallinnan. Tämä lähestymistapa auttaa kuromaan umpeen teoreettisen ja kokeellisen fysiikan välistä kuilua.

Tutkimuksemme tutkii uutta tapaa ratkaista joitakin suurimpia haasteita monimutkaisten kvanttisysteemien ymmärtämisessä ja laskemisessa yhdistämällä tekoälyä ja kondensoituneen aineen fysiikkaa. Kehitämme innovatiivisia menetelmiä eksoottisten kvantti-ilmiöiden suunnitteluun, mikä on merkittävä askel kohti tulevaisuuden teknologisia edistysaskeleita kvanttiteknologiassa, materiaalitieteessä ja kvanttilaskennassa. Yhdistämällä edistyneitä koneoppimistekniikoita perinteisiin fysiikan lähestymistapoihin pyrimme luomaan perustan uusille löydöille ja sovelluksille kvanttialalla.

Avainsanat: Korrelatoituneet kvanttimateriaalit, generatiivinen koneoppiminen, kvanttimonien fysiikka

Linkki väitöskirjan sähköiseen esittelykappaleeseen (esillä 10 päivää ennen väitöstä): https://aaltodoc.aalto.fi/doc_public/eonly/riiputus 

Yhteystiedot:

Sähköposti [email protected]
Puhelinnumero +4915788194194


Perustieteiden korkeakoulun väitöskirjat: https://aaltodoc.aalto.fi/handle/123456789/52 

  • Julkaistu:
  • Päivitetty:
Jaa
URL kopioitu