Simulazione di sistemi quantistici con reti neurali. Il nuovo metodo è stato ottenuto combinando le reti neurali con gli algoritmi quantum Monte Carlo.
Anche nella vita quotidiana la natura è governata dalle leggi della fisica quantistica. Queste leggi spiegano fenomeni comuni come luce, suono, calore o persino le traiettorie delle palle su un tavolo da biliardo. Quando vengono applicate a un gran numero di particelle interagenti, però, le leggi della fisica quantistica predicono in realtà una varietà di fenomeni che sfidano l’intuizione.
Per studiare i sistemi quantistici composti da molte particelle, i fisici devono prima essere in grado di simularli. Questo può essere fatto risolvendo le equazioni che descrivono il loro funzionamento interno sui supercomputer. Ma, nonostante la legge di Moore che prevede che la potenza di elaborazione dei computer raddoppi ogni due anni, siamo ancora ben lontani dalla potenza necessaria necessario per affrontare le sfide della fisica quantistica.
La ragione è che la previsione delle proprietà di un sistema quantistico è enormemente complessa, e richiede un potere computazionale che cresce esponenzialmente con le dimensioni del sistema quantistico, un compito “intrinsecamente complesso“, come dice il professor Vincenzo Savona, che dirige il Laboratorio di Fisica Teorica dei nanosistemi all’EPFL.
“Le cose diventano ancora più complicate quando il sistema quantistico è aperto, il che significa che è soggetto ai disturbi dell’ambiente circostante“, aggiunge Savona.
Eppure, gli strumenti per simulare in modo efficiente sistemi quantici aperti sono necessari, poiché la maggior parte delle moderne piattaforme sperimentali per la scienza e la tecnologia quantistica sono sistemi aperti, ed i fisici sono costantemente alla ricerca di nuovi modi per simularli e confrontarli.
Progressi significativi sono stati fatti grazie a un nuovo metodo di calcolo che simula i sistemi quantici con le reti neurali. Il metodo è stato sviluppato da Savona e da Alexandra Nagy all’EPFL, e, in una ricerca indipendente, dagli scienziati dell’università Paris Diderot, della Heriot-Watt University di Edimburgo e del Flatiron Institute di New York. Il corpus completo del lavoro è stato pubblicato su tre articoli in Physical Review Letters.
“Fondamentalmente abbiamo combinato i progressi nelle reti neurali e nell’apprendimento automatico con gli algoritmi quantum Monte carlo“, afferma Savona, riferendosi a un grande set di strumenti di metodi computazionali che i fisici usano per studiare sistemi quantistici complessi.
Gli scienziati hanno addestrato una rete neurale per rappresentare simultaneamente i molti stati quantici in cui un sistema quantistico può essere lanciato dall’influenza del suo ambiente.
L’approccio attraverso la rete neurale ha consentito ai fisici di prevedere le proprietà dei sistemi quantistici di notevoli dimensioni e geometria arbitraria. “Questo è un nuovo approccio computazionale che affronta il problema dei sistemi quantici aperti con versatilità e un sacco di potenziale di miglioramento“, ha spiegato Savona. Il metodo è destinato a diventare uno strumento di scelta per lo studio dei sistemi quantistici complessi e, guardando un po’ più avanti nel futuro, si potrà utilizzare per valutare meglio gli effetti del rumore di fondo sull’hardware quantico.
Fonte: Phys.org; Alexandra Nagy et al. Variational Quantum Monte Carlo Method with a Neural-Network Ansatz for Open Quantum Systems, Physical Review Letters (2019). DOI: 10.1103/PhysRevLett.122.250501
Lascia un commento