Aprenentage automàtic supervisat per àtoms ultrafreds en interferometria de clapejat

En aquest treball, considerem l'ús de tècniques de màquines supervisades per tractar problemes quàntics de molts cossos rellevants per a experiments realitzats en àtoms desordenats ultrafreds.

Després d'una àmplia introducció a les tècniques de màquines supervisades, mostraré com es pot entrenar una xarxa neural profunda per fer prediccions precises sobre els baixos nivells d'energia dels gasos atòmics no interactius en patrons de clapejat òptic. Curiosament trobem que la xarxa neuronal és notablement resistent al soroll afegit en les dades (en aquest cas, sintètiques) d'entrenament, suggerint que, a llarg termini, es podrien utilitzar les simulacions quàntiques d'àtoms freds per entrenar xarxes neuronals per tal de resoldre problemes difícils que no poden ser resolts eficientment usant ordinadors clàssics com, per exemple, el problema de molts fermions.

També mostraré resultats recents sobre l'ús de xarxes neuronals convolucionals, que normalment es fan servir en aplicacions de reconeixement d'imatges, per construir un model de xarxa neuronal escalable que permeti fer prediccions de mides de sistemes més grans que els utilitzats durant la fase d'entrenament, el que ens proporciona una nova tècnica d'extrapolació. També subratllaré l'ús de tècniques d'aprenentatge de transferència per accelerar el procés d'aprenentatge en sistemes de grans dimensions.