近日，研究人员利用一种基于神经网络的新算法，成功模拟了量子系统的“稳态”。利用神经网络对波函数和密度矩阵进行估计和模拟，大大降低了计算复杂度和计算能力要求，为解决量子科学和信息领域的几个突出问题奠定了基础。即使在日常生活中，自然界也受量子物理定律的支配。这些定律解释了生活中的常见现象，例如光、声、热，甚至球在台球桌上的轨迹。这些日常符合大众的视野和想象，我们都习以为常。但是当涉及到大量相互作用的粒子时，量子物理定律所解释的现象在很大程度上与我们的直觉相悖。为了研究由大量粒子组成的量子系统，物理学家首先必须能够模拟这样的系统。解释量子系统内部工作原理的方程式可以由超级计算机求解，但尽管摩尔定律预测计算机处理能力每两年翻一番，但这远不及解决量子物理学面临的挑战所需的计算能力。造成这种困难的原因是预测量子系统的性质非常复杂，计算能力需要呈指数级增长才能跟上量子系统规模的增长。这是一项“本质上极其复杂”的任务。EPFL纳米系统理论物理实验室负责人VincenzoSavona教授说。“对于开放量子系统，情况变得更加复杂，因为系统可能会受到周围环境的干扰，”萨沃纳补充道。由于大多数现代量子科学和技术实验平台都是开放系统，物理学家一直在寻找新的方法来模拟和测试这些系统，因此非常需要用于高效模拟开放量子系统的工具。洛桑联邦理工学院(EPFL)的研究人员在使用神经网络模拟量子系统的新计算方法方面取得了重大进展。相关研究成果发表在PhysicalReviewLetters的三篇论文中。摘要：对开放量子系统性质的模拟是解决量子科学与信息领域若干突出问题的前提。这个问题的难点在于系统的密度矩阵会随着系统规模的增加呈指数增长。本文提出了一种变分法，利用变分蒙特卡洛方法和密度矩阵的神经网络，有效地模拟了马尔可夫开放量子系统的非平衡稳态。使用神经网络（右）找到“开放”量子系统（左）的静止稳态。在一个开放的量子系统中，研究人员的目标是找到一个“稳态”，一种不随时间变化的量子状态。确定这种状态的正式理论已经存在。当系统包含许多量子粒子时，可能会出现计算困难。要描述整个自旋系统，必须确定2^N种可能的状态。仅存储20次旋转的信息就需要大约8GB的RAM，并且每增加一次旋转，所需的计算能力就会翻倍。在开放系统中处理相同数量的旋转更难，因为旋转必须由“密度矩阵”ρ描述。这个矩阵特别大，有2^N×2^N个元素。神经网络Ansatz量子系统密度矩阵的图形表示神经网络的优点是它们可以用很少的信息来近似波函数或密度矩阵。神经网络就像一个数学“盒子”，它将一串数字（向量或张量）作为输入并输出另一个字符串。对于模拟N个量子系统的具体任务，神经网络函数可以作为波函数的“猜测”，以N个物体的状态作为输入。然后，研究人员让网络从真实或模拟数据中“学习”，或者最小化由波函数确定的物理量，以优化函数的参数。一旦得到正确的猜测，就可以用远少于2^N的参数计算其他物理性质。“这项研究基本上是将神经网络和机器学习的进步与量子蒙特卡罗工具相结合，”萨沃纳说，他指的是物理学家用来研究复杂量子系统的工具。大型算法工具包。科学家们训练了一个神经网络来同时表示多个量子系统，许多量子状态可以通过其环境的影响来投射。稳态自旋结构因子作为α=β的函数计算为3×3晶格，其中k=0（上图）和k=(2π/3,0)（下图）这种基于神经网络的方法使物理学家能够预测相当大的量子系统的特性。“这种新算法解决了具有多功能性和扩展潜力的开放量子系统，”萨沃纳说。该方法将成为研究复杂量子系统的首选工具，并可能在未来产生更多工具，例如评估噪声干扰对量子硬件系统的影响。参考链接：https://actu.epfl.ch/news/simulating-quantum-systems-with-neural-networks/论文地址：https://arxiv.org/pdf/1902.09483.pdfhttps://journals.aps。org/prl/abstract/10.1103/PhysRevLett.122.250502https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.122.250503
