Neurale netværk og spøgelseselektroner rekonstruerer nøjagtigt opførsel af kvantesystemer

Fysikere udvider (midlertidigt) virkeligheden for at knække kvantesystemernes kode.

Forudsigelse af egenskaberne af et molekyle eller materiale kræver beregning af dets elektroners kollektive opførsel. Sådanne forudsigelser kan en dag hjælpe forskere med at udvikle nye lægemidler eller designe materialer med eftertragtede egenskaber såsom superledning. Problemet er, at elektroner kan blive "kvantemekanisk" viklet ind i hinanden, hvilket betyder, at de ikke længere kan behandles individuelt. Det sammenfiltrede netværk af forbindelser bliver absurd vanskeligt for selv de mest kraftfulde computere at optrevle direkte for ethvert system med mere end en håndfuld partikler.

Nu har kvantefysikere ved Flatiron Institute's Center for Computational Quantum Physics (CCQ) i New York City og École Polytechnique Fédérale de Lausanne (EPFL) i Schweiz omgået problemet. De skabte en måde at simulere sammenfiltring ved at tilføje ekstra "spøgelses"-elektroner til deres beregninger, der interagerer med systemets faktiske elektroner.

I den nye tilgang styres adfærden af ​​de tilføjede elektroner af en kunstig intelligens-teknik kaldet et neuralt netværk. Netværket foretager justeringer, indtil det finder en nøjagtig løsning, der kan projiceres tilbage i den virkelige verden, og derved genskabe virkningerne af sammenfiltring uden de medfølgende beregningsmæssige forhindringer.

Fysikerne præsenterer deres metode 3. august i Proceedings of the National Academy of Sciences .

"Du kan behandle elektronerne, som om de ikke taler med hinanden, som om de ikke interagerer," siger studieforfatter Javier Robledo Moreno, en kandidatstuderende ved CCQ og New York University. "De ekstra partikler, vi tilføjer, medierer interaktionerne mellem de faktiske, der lever i det faktiske fysiske system, vi forsøger at beskrive."

I det nye papir demonstrerer fysikerne, at deres tilgang matcher eller udklasser konkurrerende metoder i simple kvantesystemer.

"Vi anvendte dette på simple ting som en testseng, men nu tager vi dette til næste trin og prøver dette på molekyler og andre, mere realistiske problemer," siger studiets medforfatter og CCQ-direktør Antoine Georges. "Dette er en stor sag, for hvis du har en god måde at få komplekse molekylers bølgefunktioner på, kan du gøre alle mulige ting, som at designe lægemidler og materialer med specifikke egenskaber."

Det langsigtede mål, siger Georges, er at gøre det muligt for forskere at forudsige egenskaberne af et materiale eller molekyle beregningsmæssigt uden at skulle syntetisere og teste det i et laboratorium. De kan for eksempel være i stand til at teste en række forskellige molekyler for en ønsket farmaceutisk egenskab med blot et par klik med musen. "Simulering af store molekyler er en stor sag," siger Georges.

Robledo Moreno og Georges var medforfatter til papiret sammen med EPFL-assistentprofessor i fysik Giuseppe Carleo og CCQ-forsker James Stokes.

Det nye værk er en videreudvikling af et papir fra 2017 i Science af Carleo og Matthias Troyer, som i øjeblikket er teknisk fellow hos Microsoft. Det papir kombinerede også neurale netværk med fiktive partikler, men de tilføjede partikler var ikke fuldblæste elektroner. I stedet havde de bare én egenskab kendt som spin.

"Da jeg var [ved CCQ] i New York, var jeg besat af ideen om at finde en version af neuralt netværk, der ville beskrive den måde, elektroner opfører sig på, og jeg ønskede virkelig at finde en generalisering af den tilgang, vi introducerede tilbage i 2017 " siger Carleo. "Med dette nye værk har vi til sidst fundet en elegant måde at have skjulte partikler på, som ikke er spins, men elektroner." + Udforsk yderligere

Team scripts banebrydende kvantealgoritme