Forskerne rekonstruerte nøyaktig oppførselen til kvantesystemer ved å bruke nevrale nettverk og “spøkelseselektroner”.
En ny metode for å simulere kvantesammenfiltring mellom samvirkende partikler er utviklet av fysikere.
Fysikere øker (midlertidig) virkeligheten for å knekke koden til kvantesystemer.
Å beregne den kollektive oppførselen til et molekyls elektroner er nødvendig for å forutsi et materiales egenskaper. Slike spådommer kan en dag hjelpe forskere med å lage nye medisiner eller lage materialer med ønskelige egenskaper som superledning. Problemet er at elektroner kan bli “kvantemekanisk” viklet inn i hverandre, noe som betyr at de ikke lenger kan behandles individuelt. For ethvert system med mer enn noen få partikler blir det sammenfiltrede nettverket av tilkoblinger uhyrlig vanskelig for selv de kraftigste datamaskinene å løse opp direkte.
Nå, kvantefysikere fra Federal Polytechnic School of Lausanne (EPFL) i Sveits og Flatiron Institute’s Center for Computational Quantum Physics (CCQ) i New York City har funnet en løsning. Ved å legge til ekstra “spøkelses”-elektroner i sine beregninger som samhandler med systemets faktiske elektroner, var de i stand til å simulere sammenfiltring.
En infografikk som beskriver prosessen. Kreditt: Lucy Reading-Ikkanda/Simons Foundation
I den nye tilnærmingen blir oppførselen til de tilførte elektronene kontrollert av en kunstig intelligensteknikk kalt et nevralt nettverk. Nettverket gjør justeringer til det finner en nøyaktig løsning som kan projiseres tilbake til den virkelige verden, og gjenskaper dermed effekten av sammenfiltring uten de medfølgende beregningshindringene.
Forskerne publiserte nylig arbeidet sitt i tidsskriftet Proceedings of the National Academy of Sciences.
“Du kan behandle elektronene som om de ikke snakker med hverandre, som om de ikke samhandler,” sier hovedforfatter Javier Robledo Moreno, en doktorgradsstudent ved CCQ og[{” attribute=””>New York University. “The extra particles we’re adding are mediating the interactions between the actual ones that live in the actual physical system we’re trying to describe.”
In the new paper, the physicists demonstrate that their approach matches or outclasses competing methods in simple quantum systems.
“We applied this to simple things as a test bed, but now we are taking this to the next step and trying this on molecules and other, more realistic problems,” says study co-author and CCQ director Antoine Georges. “This is a big deal because if you have a good way of getting the wave functions of complex molecules, you can do all sorts of things, like designing drugs and materials with specific properties.”
The long-term goal, Georges says, is to enable researchers to computationally predict the properties of a material or molecule without having to synthesize and test it in a lab. They might, for instance, be able to test a slew of different molecules for a desired pharmaceutical property with just a few clicks of a mouse. “Simulating big molecules is a big deal,” Georges says.
Robledo Moreno and Georges co-authored the paper with EPFL assistant professor of physics Giuseppe Carleo and CCQ research fellow James Stokes.
The new work is an evolution of a 2017 paper in Science by Carleo and Matthias Troyer, who is currently a technical fellow at Microsoft. That paper also combined neural networks with fictitious particles, but the added particles weren’t full-blown electrons. Instead, they just had one property known as spin.
“When I was [at the CCQ] i New York var jeg besatt av ideen om å finne en versjon av nevrale nettverk som ville beskrive måten elektroner oppfører seg på, og jeg ønsket virkelig å finne en generalisering av tilnærmingen vi introduserte tilbake i 2017, sier Carleo. “Med dette nye verket har vi etter hvert funnet en elegant måte å ha skjulte partikler som ikke er spinn, men elektroner.”
Referanse: “Fermioniske bølgefunksjoner fra nevrale nettverk begrensede skjulte tilstander” av Javier Robledo Moreno, Giuseppe Carleo, Antoine Georges og James Stokes, 3. august 2022, Proceedings of the National Academy of Sciences.
DOI: 10.1073/pnas.2122059119