Lorsque des systèmes électron-dimensionnels sont soumis à des champs magnétiques à basse température, ils peuvent présenter des états de matière intéressants, tels que des liquides de salle quantique fractionnaire. Ce sont des états exotiques de matière caractérisés par des excitations fractionnalisées et l'émergence de phénomènes topologiques intéressants.
Des chercheurs du Cavendish Laboratory et du Massachusetts Institute of Technology (MIT) ont entrepris de mieux comprendre ces états fascinants utilisant l'apprentissage automatique, utilisant spécifiquement un réseau neuronal fermionique (FNN) nouvellement développé.
La méthode qu'ils ont développée, décrite dans un article publié dans Lettres d'examen physiquea été formé pour trouver l'état quantique d'énergie la plus basse (c'est-à-dire l'état fondamental) des liquides de salle quantique fractionnaire.
« L'IA a transformé de nombreux domaines de la société et des sciences, mais nous n'avons pas encore vu une percée de l'IA en physique quantique, » Liang Fu, co-auteur du journal, a déclaré à Issues.fr.
« La résolution de problèmes quantiques à plusieurs corps est connue pour être extrêmement difficile, car un système quantique peut être dans une superposition de nombreux États exponentiellement: littéralement, tout partout à la fois! Nous voulions donc savoir si l'IA a le pouvoir de conquérir le monde quantique. »
L'objectif principal des recherches récentes de FU et de ses collègues était d'évaluer le potentiel des outils avancés d'apprentissage automatique pour résoudre des problèmes quantiques complexes. Travaillant vers cet objectif, les chercheurs ont développé un nouveau FNN et ont essayé de l'utiliser pour découvrir les modèles cachés des électrons dans les liquides quantiques topologiques.
« Notre article récent a été inspiré par le développement rapide de l'IA, en particulier le FNN, pour résoudre les problèmes de chimie quantique, » dit Yi Teng, co-auteur du journal. « Nous voulions démontrer que cette approche variationnelle basée sur les réseaux neuronaux peut également être appliquée à des systèmes complexes de matière condensée, prouvée difficile pour les méthodes numériques traditionnelles. »
Les liquides de salle quantique fractionnaire sont des états complexes de matière connus pour émerger dans des systèmes d'électrons 2D lorsqu'un champ magnétique fort leur est appliqué. La méthode de calcul développée par FU, Teng et DAI peut capturer de riches phénomènes physiques, découvrant avec succès les caractéristiques microscopiques des liquides de salle quantique fermionique et des états concurrents.
« Le liquide de salle quantique fractionnaire héberge des particules émergentes – ne ni bosons ni fermions – qui portent une fraction quantifiée de la charge de l'électron, » a expliqué fu. « Bien que le grand succès dans ce domaine vénérable provienne des meilleurs esprits humains, il reste des questions ouvertes de longue date qui nécessitent des solutions numériquement précises au-delà de la capacité des méthodes traditionnelles. Nous avons donc donné un coup de feu à AI. »
Cette étude est parmi les premières à démontrer le potentiel de l'IA et de l'apprentissage automatique pour étudier les phases fractionnées de la matière. En utilisant leur FNN, FU, TENG et DAI ont généré un Ansatz variationnel, qui est une structure mathématique flexible qui peut être optimisée pour estimer l'état fondamental d'un système.
« Nous avons ensuite utilisé l'échantillonnage de Monte-Carlo pour minimiser l'énergie totale à la recherche de l'état fondamental, » dit Teng. « Nous avons également effectué des repères étendus et constaté que les réseaux de neurones surpassent constamment les méthodes traditionnelles. Le plus grand avantage de notre méthode est qu'aucun biais humain n'est mis à la main, et le réseau neuronal capture tous les états possibles des électrons sans tronquer l'espace Hilbert. »
La démonstration de l'équipe met en évidence la promesse des FNN pour l'étude et l'estimation des états qui peuvent être difficiles à prédire théoriquement. Dans le cadre de leur étude, les chercheurs ont utilisé avec succès leur FNN pour prédire avec précision la transition d'un système électronique 2D du liquide au cristal.
« Nous démontrons qu'un réseau de neurones impartiaux peut être utilisé pour résoudre différentes phases (liquide de salle quantique fractionnaire et cristal Wigner dans notre cas) de manière unifiée avec une précision sans précédent, » dit Teng. « Cela montre la capacité et la Versalité de la méthode variationnelle basée sur NN dans la physique de la matière condensée quantique. »
À l'avenir, le modèle développé par FU, Teng et Dai pourrait être amélioré davantage et utilisé pour prédire le diagramme de phase quantique de divers systèmes d'électrons 2D. De plus, il pourrait inspirer le développement d'autres modèles basés sur le FNN pour la recherche quantique et pourrait potentiellement contribuer à la découverte de nouveaux états quantiques de matière.
« Pour moi, ce projet a été une expérience époustouflante, » dit fu. « Je suis maintenant pleinement convaincu du pouvoir transformateur de l'IA pour la science quantique, offrant une vaste opportunité.
« Pour l'avenir, je crois également que la résolution de problèmes quantiques difficiles fournit une référence objective pour différentes architectures de modèle de grande langue. Pensez-y: aucune donnée de formation n'est impliquée dans un tel test, et le classement est objectivement déterminé par l'énergie variationnelle. Le meilleur de tous est la récompense: résoudre le diagramme de phase quantique des matériaux réels et découvrir de nouveaux états quantiques de matière. »
Dans le cadre de leurs futures études, les chercheurs prévoient d'utiliser leur méthode basée sur FNN pour étudier un large éventail d'autres systèmes quantiques. Par exemple, ils aimeraient l'utiliser pour recueillir de nouvelles perspectives dans les états non abéliens, la supraconductivité non conventionnelle et les liquides de spin quantique.
« À l'avenir, je suis également ravi d'utiliser l'IA pour résoudre des problèmes de physique difficile et d'utiliser des problèmes de physique difficile pour en savoir plus sur l'IA, » Ajout de David Dai, co-auteur du journal.
