Was ist in einem Schwarzen Loch? Der Physiker nutzt Quantencomputer und maschinelles Lernen, um dies herauszufinden

Alter, was wäre, wenn alles um uns herum nur … ein Hologramm wäre?

Die Sache ist die, es könnte sein – und ein Physiker der University of Michigan verwendet Quantencomputer und maschinelles Lernen, um die Idee besser zu verstehen, die als holografische Dualität bezeichnet wird.

Die holographische Dualität ist eine mathematische Vermutung, die Theorien über Teilchen und ihre Wechselwirkungen mit der Gravitationstheorie verbindet. Diese Vermutung legt nahe, dass die Gravitationstheorie und die Teilchentheorie mathematisch äquivalent sind: Was mathematisch in der Gravitationstheorie passiert, passiert in der Teilchentheorie und umgekehrt.

Beide Theorien beschreiben unterschiedliche Dimensionen, aber die Anzahl der Dimensionen, die sie beschreiben, unterscheidet sich um eins. So existiert beispielsweise innerhalb der Form eines Schwarzen Lochs die Schwerkraft in drei Dimensionen, während eine Teilchentheorie in zwei Dimensionen auf seiner Oberfläche existiert – einer flachen Scheibe.

Um sich das vorzustellen, denken Sie noch einmal an das Schwarze Loch, das die Raumzeit aufgrund seiner immensen Masse verzerrt. Die Schwerkraft des Schwarzen Lochs, das in drei Dimensionen existiert, verbindet sich mathematisch mit den darüber tanzenden Partikeln in zwei Dimensionen. Daher existiert ein Schwarzes Loch in einem dreidimensionalen Raum, aber wir sehen es als durch Partikel projiziert.

Einige Wissenschaftler gehen davon aus, dass unser gesamtes Universum eine holografische Projektion von Teilchen ist, und dies könnte zu einer konsistenten Quantentheorie der Gravitation führen.

„In Einsteins Allgemeiner Relativitätstheorie gibt es keine Teilchen – es gibt nur Raumzeit. Und im Standardmodell der Teilchenphysik gibt es keine Schwerkraft, es gibt nur Teilchen“, sagte Enrico Rinaldi, ein Forschungswissenschaftler am UM Department of Physics. „Die Verbindung der beiden unterschiedlichen Theorien ist ein langjähriges Thema in der Physik – etwas, das die Menschen seit dem letzten Jahrhundert versucht haben.“

In einer in der Zeitschrift veröffentlichten Studie PRX Quantumuntersuchen Rinaldi und seine Co-Autoren, wie man die holographische Dualität mit Hilfe von Quantencomputing und Deep Learning untersuchen kann, um den niedrigsten Energiezustand mathematischer Probleme zu finden, die als Quantenmatrixmodelle bezeichnet werden.

Diese Quantenmatrixmodelle sind Darstellungen der Teilchentheorie. Da die holografische Dualität nahelegt, dass das, was mathematisch in einem System passiert, das die Teilchentheorie darstellt, sich in ähnlicher Weise auf ein System auswirkt, das die Schwerkraft darstellt, könnte die Lösung eines solchen Quantenmatrixmodells Informationen über die Schwerkraft enthüllen.

Für die Studie verwendeten Rinaldi und sein Team zwei Matrixmodelle, die einfach genug sind, um mit herkömmlichen Methoden gelöst zu werden, die jedoch alle Merkmale komplizierterer Matrixmodelle aufweisen, die zur Beschreibung schwarzer Löcher durch die holografische Dualität verwendet werden.

„Wir hoffen, dass wir durch das Verständnis der Eigenschaften dieser Teilchentheorie durch die numerischen Experimente etwas über die Schwerkraft verstehen“, sagte Rinaldi, der in Tokio ansässig ist und vom Theoretical Quantum Physics Laboratory des Cluster for Pioneering Research at RIKEN, Wako, beherbergt wird . „Leider ist es immer noch nicht einfach, die Teilchentheorien zu lösen. Und da können uns die Computer helfen.“

Diese Matrixmodelle sind Zahlenblöcke, die Objekte in der Stringtheorie darstellen, einem Rahmen, in dem Teilchen in der Teilchentheorie durch eindimensionale Strings dargestellt werden. Wenn Forscher solche Matrixmodelle lösen, versuchen sie, die spezifische Konfiguration von Teilchen im System zu finden, die den niedrigsten Energiezustand des Systems darstellen, den so genannten Grundzustand. Im Grundzustand passiert dem System nichts, es sei denn, Sie fügen etwas hinzu, das es stört.

„Es ist wirklich wichtig zu verstehen, wie dieser Grundzustand aussieht, denn dann kann man Dinge daraus erschaffen“, sagte Rinaldi. „Für ein Material ist die Kenntnis des Grundzustands also wie zum Beispiel zu wissen, ob es ein Leiter oder ein Supraleiter ist oder ob es wirklich stark oder schwach ist. Aber diesen Grundzustand unter allen möglichen Zuständen zu finden ist eine ziemlich schwierige Aufgabe. Deshalb verwenden wir diese numerischen Methoden.“

Sie können sich die Zahlen in den Matrixmodellen wie Sandkörner vorstellen, sagt Rinaldi. Wenn der Sand eben ist, ist das der Grundzustand des Modells. Aber wenn es Wellen im Sand gibt, müssen Sie einen Weg finden, sie auszugleichen. Um dies zu lösen, suchten die Forscher zunächst nach Quantenschaltkreisen. Bei dieser Methode werden die Quantenschaltkreise durch Drähte dargestellt, und jedes Qubit oder Bit der Quanteninformation ist ein Draht. Oben auf den Drähten befinden sich Tore, Quantenoperationen, die bestimmen, wie Informationen entlang der Drähte geleitet werden.

„Man kann sie als Musik lesen, von links nach rechts“, sagte Rinaldi. „Wenn Sie es als Musik lesen, verwandeln Sie die Qubits im Grunde von Anfang an bei jedem Schritt in etwas Neues. Aber Sie wissen nicht, welche Operationen Sie dabei ausführen sollten, welche Noten Sie spielen sollen. Der Schüttelprozess wird optimiert all diese Tore, damit sie die richtige Form annehmen, sodass Sie am Ende des gesamten Prozesses den Grundzustand erreichen. Sie haben also all diese Musik, und wenn Sie sie richtig spielen, haben Sie am Ende den Grundzustand. „

Anschließend wollten die Forscher die Verwendung dieser Quantenschaltkreismethode mit der Verwendung einer Deep-Learning-Methode vergleichen. Deep Learning ist eine Art maschinelles Lernen, das einen neuronalen Netzwerkansatz verwendet – eine Reihe von Algorithmen, die versuchen, Beziehungen in Daten zu finden, ähnlich wie das menschliche Gehirn funktioniert.

Neuronale Netze werden verwendet, um Gesichtserkennungssoftware zu entwerfen, indem sie mit Tausenden von Bildern von Gesichtern gefüttert werden – aus denen sie bestimmte Landmarken des Gesichts ziehen, um einzelne Bilder zu erkennen oder neue Gesichter von Personen zu generieren, die nicht existieren.

In Rinaldis Studie definieren die Forscher die mathematische Beschreibung des Quantenzustands ihres Matrixmodells, die sogenannte Quantenwellenfunktion. Dann nutzen sie ein spezielles neuronales Netz, um die Wellenfunktion der Matrix mit der geringstmöglichen Energie zu finden – ihren Grundzustand. Die Zahlen des neuronalen Netzes durchlaufen einen iterativen „Optimierungsprozess“, um den Grundzustand des Matrixmodells zu finden, wobei auf den Sandeimer geklopft wird, damit alle seine Körner eingeebnet werden.

Bei beiden Ansätzen konnten die Forscher den Grundzustand beider untersuchter Matrixmodelle finden, allerdings sind die Quantenschaltkreise durch eine kleine Anzahl von Qubits begrenzt. Aktuelle Quantenhardware kann nur mit einigen Dutzend Qubits umgehen: Das Hinzufügen von Zeilen zu Ihrem Notenblatt wird teuer, und je mehr Sie hinzufügen, desto ungenauer können Sie die Musik spielen.

„Andere Methoden, die normalerweise verwendet werden, können die Energie des Grundzustands finden, aber nicht die gesamte Struktur der Wellenfunktion“, sagte Rinaldi. „Wir haben gezeigt, wie man mit diesen neu aufkommenden Technologien, Quantencomputern und Deep Learning die vollständigen Informationen über den Grundzustand erhält.

„Da diese Matrizen eine mögliche Darstellung für eine spezielle Art von Schwarzen Löchern sind, können wir, wenn wir wissen, wie die Matrizen angeordnet sind und welche Eigenschaften sie haben, zum Beispiel wissen, wie ein Schwarzes Loch von innen aussieht der Ereignishorizont für ein Schwarzes Loch? Woher kommt es? Die Beantwortung dieser Fragen wäre ein Schritt zur Verwirklichung einer Quantentheorie der Gravitation.“

Die Ergebnisse, sagt Rinaldi, zeigen einen wichtigen Maßstab für die zukünftige Arbeit an Quanten- und maschinellen Lernalgorithmen, mit denen Forscher die Quantengravitation durch die Idee der holografischen Dualität untersuchen können.

Zu Rinaldis Co-Autoren gehören Xizhi Han von der Stanford University; Mohammad Hassan am City College von New York; Yuan Feng am Pasadena City College; Franco Nori bei UM und RIKEN; Michael McGuigan vom Brookhaven National Laboratory und Masanori Hanada von der University of Surrey.

Als nächstes arbeitet Rinaldi mit Nori und Hanada zusammen, um zu untersuchen, wie sich die Ergebnisse dieser Algorithmen auf größere Matrizen skalieren lassen und wie robust sie gegenüber der Einführung von „verrauschten“ Effekten oder Interferenzen sind, die Fehler verursachen können.