神经网络和“幽灵”电子准确重建量子系统的行为

物理学家正在（暂时）增强现实以破解量子系统的密码。

预测分子或材料的性质需要计算其电子的集体行为。这样的预测有朝一日可以帮助研究人员开发新的药物或设计具有超导性等广受欢迎的特性的材料。问题是电子可能会成为“量子力学”相互纠缠，这意味着它们不能再被单独处理。即使是最强大的计算机，如果要直接解开任何粒子数量超过少数的系统，纠缠的连接网络也变得异常棘手。

现在，纽约市熨斗研究所计算量子物理中心(CCQ) 和瑞士洛桑联邦理工学院 (EPFL) 的量子物理学家已经避开了这个问题。他们通过在计算中添加与系统实际电子相互作用的额外“幽灵”电子，创造了一种模拟纠缠的方法。

在新方法中，添加电子的行为由称为神经网络的人工智能技术控制。该网络会进行调整，直到找到一个可以投射回现实世界的准确解决方案，从而在没有伴随计算障碍的情况下重新创建纠缠的效果。

物理学家于 8 月 3 日在美国国家科学院院刊上介绍了他们的方法。

“您可以将电子视为它们不相互交谈，就好像它们不相互作用一样，”该研究的主要作者，CCQ 和纽约大学的研究生 Javier Robledo Moreno 说。 “我们添加的额外粒子正在调解生活在我们试图描述的实际物理系统中的实际粒子之间的相互作用。”

在新论文中，物理学家证明他们的方法与简单量子系统中的竞争方法相匹配或优于竞争方法。

研究合著者兼 CCQ 主任 Antoine Georges 说：“我们将其应用于简单的事物作为测试平台，但现在我们正将其带到下一步，并在分子和其他更现实的问题上进行尝试。” “这很重要，因为如果你有一种获得复杂分子波函数的好方法，你可以做各种各样的事情，比如设计具有特定特性的药物和材料。”

乔治斯说，长期目标是使研究人员能够通过计算预测材料或分子的特性，而无需在实验室中合成和测试。例如，他们可能只需点击几下鼠标就可以测试一系列不同的分子以获得所需的药物特性。 “模拟大分子很重要，”Georges 说。

Robledo Moreno 和 Georges 与 EPFL 物理学助理教授 Giuseppe Carleo 和 CCQ 研究员 James Stokes 共同撰写了这篇论文。

这项新工作是Carleo 和 Matthias Troyer 于 2017 年发表在《科学》杂志上的一篇论文的演变，后者目前是微软的技术研究员。那篇论文还将神经网络与虚构粒子结合起来，但添加的粒子并不是成熟的电子。相反，他们只有一个被称为自旋的属性。

“当我 [在纽约的 CCQ] 时，我痴迷于寻找一种可以描述电子行为方式的神经网络版本的想法，我真的很想找到我们在 2017 年引入的方法的概括，”卡里奥说。 “通过这项新工作，我们最终找到了一种优雅的方式来隐藏不是自旋而是电子的粒子。”