一个由核物理学家、一位机器学习研究人员和一位NC状态数学家组成的团队创造了一种新的方法，通过专注于一个单一的预测参数来缩小庞大计算的范围，比如那些涉及量子物理的计算。这种被称为特征向量延拓的方法，可能在解决其他科学和工程问题时很有用，因为这些问题的计算量太大，计算机内存无法处理。
Dean Lee，前NC国家物理学家，目前在密歇根州立大学，研究量子粒子及其相互作用。在量子物理学中，物质具有与波相关的性质，因此观察一个系统的波函数可以告诉我们它的量子结构我们真正感兴趣的是了解系统的波函数，特别是当系统冷却到低能状态时。但这是一个非常困难的问题。波函数中包含的信息量通常非常大，甚至不可能在计算机内存中表示一个波函数。”
李感兴趣的是找到一种方法来缩小计算机需要处理的信息量，而不影响计算的准确性。他得到了北卡罗来纳州数学家伊尔塞·伊普森的帮助。
“尽管波函数非常复杂，但它完全是由一些简单的特性决定的，比如控制系统的粒子相互作用，”李说所以我们把注意力集中在系统中的一个参数上，观察波函数是如何随着参数的变化而变化的。在这种情况下，我们选择了控制系统内粒子相互作用强度的参数。”
研究小组对他们选择的参数做了一些小的改变，然后观察了波函数。”我们看到，波函数并不是在一系列不同的随机方向上曲折变化的；相反，它弯曲平滑，只有几个方向有明显位移平滑的变化意味着我们可以预测波函数会是什么，即使在其他情况下问题是不可能解决的。”
伊普森说：“这就像从山顶上看一系列的道路或小径，然后选择一条拥有你需要的所有属性的路线。”计算集中在所有有趣的事情发生的小空间，你可以从那里推断出整个系统的答案。
“我们称这种方法为特征向量延拓——你找到路径，然后沿着它一小步一小步地走下去。特征向量是你所看到的系统的属性。这是一种将大量计算缩小到平滑可预测计算的方法，同时避免出现错误。”
Ipsen和Lee认为，这种方法同样适用于其他科学或工程领域类似的“太大而无法处理”的计算。他们的研究发表在物理评论信. 李是通讯作者。密歇根州研究生狄龙框架和荣正He，康奈尔技术和三星机器学习理论家Daniel Lee，以前在宾夕法尼亚大学，和ErMAL RAPAJ，物理学家来自盖尔弗大学，安大略，促成了这项工作。
- 类别：
