A quale visione astronomica del mondo arriva una rete neurale se non viene alimentato altro che da dati osservati e misurati dalla Terra? Credit: Tony Metger / ETH Zurigo

Un atto di disperazione

La meccanica quantistica è una teoria ben consolidata, ma a livello macroscopico porta a contraddizioni intrattabili. Ora i fisici dell’ETH propongono di risolvere il problema con l’aiuto di reti neurali.

La necessità è la madre dell’invenzione. “Finora, tutti i nostri tentativi di risolvere le contraddizioni insite nella meccanica quantistica sono falliti“, afferma Renato Renner, “motivo per cui ora stiamo provando un approccio diverso“. Ed è anche un approccio molto potente, anche se Renner, che è professore di fisica teorica, lo definisce un “atto di disperazione“: in una recente pubblicazione mostra come l’uso dell’intelligenza artificiale può aiutare a fornire approfondimenti sui concetti fisici.

La strada da percorrere è una black box?

Il punto di partenza è l’affermazione che la meccanica quantistica – non importa che esperimento dopo esperimento lo abbia confermato – porta a contraddizioni. “Quando abbiamo sottolineato un anno fa che ci doveva essere un problema fondamentale con la meccanica quantistica abbiamo ottenuto ogni sorta di reazioni e di conseguenza un sacco di feedback. Ma così finora nessuno ha escogitato un modo per risolvere questo dilemma elementare“, afferma Renner.

All’inizio, l’idea che l’intelligenza artificiale potrebbe essere in grado di aiutare sembra sorprendente. Dopotutto, le reti neurali – l’elemento chiave dell’intelligenza artificiale – funzionano efficacemente come una scatola nera. Puoi insegnare loro a riconoscere i volti sulle foto, ma non c’è modo di sapere esattamente come svolgono quel compito. Quindi, come può un fisico sperare di imparare qualcosa da loro?

Informazioni condensate

La risposta dei ricercatori dell’ETH è stata quella di progettare una rete neurale “tandem”La prima parte della rete fa rotolare la palla calcolando i parametri che sono utili per eseguire attività fisiche. Sulla base di questo, la seconda parte affronta quindi un problema specifico. Nel frattempo, la prima parte continua a regolare i parametri fino a quando la seconda parte è in grado di padroneggiare i compiti da svolgere.

Quello che essenzialmente stiamo facendo qui è imitare il principio delle formule fisiche“, spiega Renner “dal momento che questi ti dicono in forma condensata quali parametri devi combinare e come, per svolgere un determinato compito“. La prima parte della rete neurale non comunica formule fisiche specifiche alla seconda parte. Piuttosto, i fisici possono estrarre i parametri che attraversano l’interfaccia tra le due parti e ricavarne formule fisiche, usando nuovamente programmi informatici specializzati. “Una volta che una rete neurale ha imparato a risolvere i problemi della meccanica quantistica, forse troverà un modo alternativo per descrivere i sistemi quantistici – almeno, è quello che speriamo“, afferma Renner.

Il principio funziona

I fisici dell’ETH hanno dimostrato che l’idea è fondamentalmente solida attraverso semplici compiti fisici. Ad esempio hanno calcolato con la rete neurale tandem dove il pianeta Marte poteva essere visto nel cielo notturno in un dato momento, dandogli com informazioni solo i dati sulle posizioni del pianeta e del sole osservate nel tempo dalla Terra.

La rete neurale ha successivamente identificato i parametri rilevanti come quelli necessari per calcolare la posizione di Marte sulla base della visione eliocentrica del mondo. In altre parole, la rete neurale ha trovato la risposta “giusta”, anche se i dati iniziali non hanno dato alcuna indicazione diretta del fatto che la Terra e Marte orbitassero entrambi attorno al sole.

Non gravato da ipotesi

Allo stato attuale, la rete neurale tandem dei fisici dell’ETH non è in grado di risolvere complessi problemi di meccanica quantistica, “…ma il nostro lavoro dimostra che potrebbe essere uno strumento promettente per noi scienziati teorici“, afferma Renner. 

Il grande vantaggio della rete neurale è che non è influenzato da alcuna serie di presupposti precedenti. “Naturalmente, è anche possibile spiegare il moto di Marte ipotizzando che la Terra sia al centro. Ma ciò rende i calcoli molto più elaborati“, afferma Renner. “Ci troviamo in un punto simile nella fisica quantistica: abbiamo una teoria che può spiegare molti fenomeni, ma forse siamo ciechi rispetto a un’altra descrizione molto più elegante delle cose“.

Come raggiungiamo la risposta giusta?

Renner è ben consapevole che la ricerca di una descrizione diversa sarà difficile, poiché la prossima grande domanda è già sospesa nell’aria: quali dati iniziali dovrebbero essere alimentati dalla rete neurale? 

Il compito con i pianeti è stato sostanzialmente facile, perché sapevamo in anticipo quali dati iniziali avrebbero portato alla risposta giusta“, afferma Renner. “Ma se siamo alla ricerca di nuove intuizioni, questa è la conoscenza che semplicemente non abbiamo“.

Citazioni e Approfondimenti