Usando uma rede neural fermiônica para encontrar o estado basic dos líquidos fracionários do salão quântico

Quando os sistemas de elétrons bidimensionais são submetidos a campos magnéticos a baixas temperaturas, eles podem exibir estados interessantes de matéria, como líquidos fracionários do salão quântico. Estes são estados exóticos de matéria caracterizados por excitações fracionadas e o surgimento de fenômenos topológicos interessantes.

Pesquisadores do Cavendish Laboratory e Massachusetts Institute of Expertise (MIT) se propuseram a entender melhor esses estados fascinantes usando aprendizado de máquina, empregando especificamente um recém-desenvolvido Fermiionic baseado em atenção Rede Neural (FNN).

O método que eles desenvolveram, descrito em um artigo publicado em Cartas de revisão físicafoi treinado para encontrar o estado quântico de menor energia (ou seja, estado basic) de líquidos de salão quântico fracionários.

“A IA transformou muitas áreas da sociedade e da ciência, mas ainda estamos para ver um avanço da IA ​​em Física Quântica“Liang Fu, co-autor do artigo, disse ao Phys.org.

“A solução de problemas quânticos de muitos corpos é conhecida por ser extremamente difícil, porque um sistema quântico pode estar em uma superposição de exponencialmente muitos estados: literalmente, tudo em todos os lugares de uma só vez! Então, queríamos descobrir se a IA tem o poder de conquistar o mundo quântico”.

O principal objetivo da pesquisa recente de Fu e seus colegas foi avaliar o potencial de ferramentas avançadas de aprendizado de máquina para resolver problemas quânticos complexos. Trabalhando para esse objetivo, os pesquisadores desenvolveram uma nova FNN e tentaram usá -lo para descobrir os padrões ocultos de elétrons em líquidos quânticos topológicos.

“Nosso artigo recente foi inspirado pelo rápido desenvolvimento da IA, em explicit a FNN, para enfrentar problemas químicos quânticos”, disse Yi Teng, co-autor do artigo. “Queríamos demonstrar que essa abordagem variacional baseada em rede neural também pode ser aplicada a sistemas de matéria condensada complexos, comprovadamente desafiadores para métodos numéricos tradicionais”.

Líquidos de salão quântico fracionário são intrincados estados de matéria conhecidos por emergem em sistemas de elétrons 2D quando fortes campo magnético é aplicado a eles. O método computacional desenvolvido por Fu, Teng e Dai pode capturar fenômenos físicos ricos, descobrindo com sucesso características microscópicas de líquidos fermiônicos do salão quântico e estados concorrentes.

“O líquido do corridor quântico fracionário hospeda partículas emergentes-neutralizações nem férmions–que carregam uma fração quantizada da carga do elétron”, explicou Fu. “Embora o grande sucesso nesse venerável campo tenha vindo das melhores mentes humanas, restam perguntas abertas de longa information que exigem soluções numericamente precisas além da capacidade dos métodos tradicionais. Então, demos uma likelihood à AI”.

Este estudo está entre os primeiros a demonstrar o potencial de IA e aprendizado de máquina para estudar fases fracionárias da matéria. O uso de sua FNN, FU, Teng e Dai gerou um Ansatz variacional, que é uma estrutura matemática flexível que pode ser otimizada para estimar o estado basic de um sistema.

“Em seguida, usamos a amostragem de Monte-Carlo para minimizar a energia complete em busca do estado basic”, disse Teng. “Também realizamos benchmarks extensos e descobrimos que as redes neurais superaram consistentemente os métodos tradicionais. A maior vantagem de nosso método é que nenhum preconceito humano é colocado à mão, e a rede neural captura todos os estados possíveis de elétrons sem truncar o espaço de Hilbert”.

A demonstração da equipe destaca a promessa de FNNs para o estudo e a estimativa de estados que podem ser difíceis de prever teoricamente. Como parte de seu estudo, os pesquisadores usaram com sucesso sua FNN para prever com precisão a transição de um sistema de elétrons 2D de líquido para cristal.

“Demonstramos que uma rede neural imparcial pode ser usada para resolver diferentes fases (líquido de corridor quântico fracionário e cristal de wigner no nosso caso) de maneira unificada com precisão sem precedentes”, disse Teng. “Isso mostra a capacidade e a versalidade do método variacional baseado em NN na física da matéria condensada quântica”.

No futuro, o modelo desenvolvido por Fu, Teng e Dai poderia ser melhorado ainda mais e usado para prever o diagrama de fase quântica de vários sistemas de elétrons 2D. Além disso, poderia inspirar o desenvolvimento de outros modelos baseados em FNN para pesquisa quântica e poderia potencialmente contribuir para a descoberta de novos estados quânticos de matéria.

“Para mim, este projeto foi uma experiência alucinante”, disse Fu. “Agora estou totalmente convencido do poder transformador da IA ​​para a ciência quântica, oferecendo uma grande oportunidade.

“Olhando para o futuro, também acredito que resolver problemas quânticos desafiadores fornecem uma referência objetiva para diferentes arquiteturas de diferentes modelos de linguagem. Pense nisso: não dados de treinamento está envolvido nesse teste, e a classificação é objetivamente determinada pela energia variacional. O melhor de tudo é a recompensa – como resolvendo o diagrama de fase quântica de materiais reais e descobrindo novos estados quânticos de matéria “.

Como parte de seus estudos futuros, os pesquisadores planejam usar seu método baseado em FNN para estudar uma ampla gama de outros sistemas quânticos. Por exemplo, eles gostariam de usá-lo para coletar novas idéias sobre estados não abelínicos, supercondutividade não convencional e líquidos de rotação quântica.

“No futuro, também estou animado por usar a IA para resolver problemas de física desafiadores e usar problemas de física desafiadores para aprender mais sobre a IA”, acrescentou David Dai, co-autor do artigo.

© 2025 Science X Community