用机器学习建模量子自旋液体

图1:通过使用一种机器学习算法来模拟大脑中的神经元网络，一位理研物理学家和一位合作者开发了一种建模量子自旋液态的方法。资料来源:Jesper Klausen /科学图片库

一种量子材料的复杂奇异状态的特性可以用一种机器学习方法来预测，这种方法是由日本理研研究所的研究人员和合作者创造的。这一进步可能有助于未来量子计算机的发展。

我们都面临过在两个同样好的(或坏的)选择中做出选择的痛苦挑战。当基本粒子在一种特殊类型的量子系统中感受到两种相互竞争的力量时，它们也会感受到这种挫败感。

在一些磁体中，粒子的自旋(形象化为粒子旋转的轴)都被迫对齐，而在另一些磁体中，它们必须在方向上交替。但在少数材料中，排列或反排列的趋势相互竞争，导致所谓的失意磁性。这种挫折意味着自旋在不同方向之间波动，即使在绝对零度下，人们期望稳定。这就创造了一种奇特的物质状态，称为量子自旋液体。

日本理化学研究所突发物质科学中心的野村Yusuke解释说:“这种有趣而不寻常的量子自旋‘液体’态有望拥有独特的量子纠缠特性，这与普通的‘固体’态系统不同。”“这些纠缠特性对量子计算机中的量子计算有潜在的用处。”

然而，建模量子自旋液体是非常具有挑战性的，因为组成其量子态的相互依赖的自旋构型的数量随着粒子的数量呈指数增长。

现在，野村证券和一位合作者通过开发一种机器学习方法克服了这个问题，这种方法可以模拟量子多体系统。它可以揭示在受挫磁体中存在量子自旋液相，在其中，与最近邻自旋相互作用的强度范围相对于最近邻自旋之间的强度范围。

野村证券表示:“我们新开发的机器学习方法已经克服了与这些复杂系统相关的困难。”“它证实了在二维自旋系统中存在量子自旋液体。”

该研究为在实际材料中实现量子自旋液相提供了有益的指导。但还有一个更广泛的信息:这项研究突显了机器学习作为解决物理学重大挑战的工具的力量。野村证券(Nomura)表示:“将机器学习作为一种新颖的工具，我们解决了物理学中一个长期存在的问题，这个问题仅靠人类大脑很难解决。”“在未来，除了人脑之外，‘机器大脑’的使用将为其他未解决的问题提供新的线索。它标志着物理学研究的新时代的开始。”