Fysiker utökar (tillfälligt) verkligheten för att knäcka kvantsystemens kod.

Att förutsäga egenskaperna hos en molekyl eller ett material kräver att man beräknar det kollektiva beteendet hos dess elektroner. Sådana förutsägelser kan en dag hjälpa forskare att utveckla nya läkemedel eller designa material med eftertraktade egenskaper som supraledning. Problemet är att elektroner kan bli "kvantmekaniskt" intrasslade med varandra, vilket innebär att de inte längre kan behandlas individuellt. Det intrasslade nätet av anslutningar blir absurt svårt för även de mest kraftfulla datorerna att riva upp direkt för alla system med mer än en handfull partiklar.

Nu har kvantfysiker vid Flatiron Institutes Center for Computational Quantum Physics (CCQ) i New York City och École Polytechnique Fédérale de Lausanne (EPFL) i Schweiz kringgått problemet. De skapade ett sätt att simulera intrassling genom att till sina beräkningar lägga till extra "spökelektroner" som interagerar med systemets faktiska elektroner.

I det nya tillvägagångssättet styrs beteendet hos de tillsatta elektronerna av en artificiell intelligensteknik som kallas ett neuralt nätverk. Nätverket gör justeringar tills det hittar en korrekt lösning som kan projiceras tillbaka till den verkliga världen, och därigenom återskapa effekterna av intrassling utan åtföljande beräkningshinder.

Fysikerna presenterar sin metod 3 augusti i Proceedings of the National Academy of Sciences .

"Du kan behandla elektronerna som om de inte pratar med varandra, som om de inte interagerar", säger studiens huvudförfattare Javier Robledo Moreno, doktorand vid CCQ och New York University. "De extra partiklarna vi lägger till förmedlar interaktionerna mellan de faktiska som lever i det faktiska fysiska systemet vi försöker beskriva."

I den nya artikeln visar fysikerna att deras tillvägagångssätt matchar eller utklassar konkurrerande metoder i enkla kvantsystem.

"Vi tillämpade detta på enkla saker som en testbädd, men nu tar vi det här till nästa steg och testar det här på molekyler och andra, mer realistiska problem", säger studiens medförfattare och CCQ-chef Antoine Georges. "Det här är en stor sak för om du har ett bra sätt att få vågfunktionerna hos komplexa molekyler, kan du göra alla möjliga saker, som att designa läkemedel och material med specifika egenskaper."

Det långsiktiga målet, säger Georges, är att göra det möjligt för forskare att beräkningsmässigt förutsäga egenskaperna hos ett material eller en molekyl utan att behöva syntetisera och testa det i ett labb. De kan till exempel kunna testa en mängd olika molekyler för en önskad farmaceutisk egenskap med bara några få musklick. "Att simulera stora molekyler är en stor sak", säger Georges.

Robledo Moreno och Georges skrev artikeln tillsammans med EPFL biträdande professor i fysik Giuseppe Carleo och CCQ-forskaren James Stokes.

Det nya verket är en vidareutveckling av en artikel från 2017 inom Science av Carleo och Matthias Troyer, som för närvarande är teknisk fellow på Microsoft. Den uppsatsen kombinerade också neurala nätverk med fiktiva partiklar, men de tillsatta partiklarna var inte fullblåsta elektroner. Istället hade de bara en egenskap som kallas spin.

"När jag var [på CCQ] i New York, var jag besatt av idén att hitta en version av neurala nätverk som skulle beskriva hur elektroner beter sig, och jag ville verkligen hitta en generalisering av det tillvägagångssätt som vi introducerade redan 2017 ", säger Carleo. "Med detta nya arbete har vi så småningom hittat ett elegant sätt att ha dolda partiklar som inte är spinn utan elektroner." + Utforska vidare

Team scripts banbrytande kvantalgoritm