Physics-Informed Classical and Quantum Neural Networks for One-Dimensional Schrodinger Eigenvalue Problems

Im Zentrum dessen, wie wir das Universum verstehen, liegt eine einzige, hartnäckige Herausforderung: vorherzusagen, wie sich winzige Teilchen wie Elektronen um Atome bewegen und dort verweilen. In der Welt des Allerkleinsten folgen Teilchen nicht den glatten, vorhersehbaren Bahnen von Planeten oder Baseballbällen. Stattdessen existieren sie als Wellen der Wahrscheinlichkeit, beschrieben durch eine mathematische Regel, die als Schrödinger-Gleichung bekannt ist. Diese Regel sagt uns genau, wo ein Teilchen wahrscheinlich zu finden ist und wie viel Energie es besitzt, aber ihre Lösung ist notorisch schwierig. Für einfache, idealisierte Situationen kennen Wissenschaftler die Antworten seit fast einem Jahrhundert. Doch für die komplexen, chaotischen Systeme, aus denen reale Materie besteht, werden die Gleichungen so verworren, dass selbst die leistungsstärksten Supercomputer Schwierigkeiten haben, eine Lösung zu finden. Hier setzen eine neue Generation von Werkzeugen an, die sich Ideen aus der künstlichen Intelligenz leihen, um die Physik der subatomaren Welt zu entwirren.

Forscher in Pakistan und Mexiko haben kürzlich zwei dieser neuen Werkzeuge an drei klassischen Problemen getestet, die als Trainingsgelände für jedes neue Lösungsverfahren dienen. Sie wollten sehen, ob ein Standard-Computerprogramm und ein spezialisiertes Quantencomputer-Programm beide lernen können, die Schrödinger-Gleichung zu lösen, ohne mit einem einzigen Beispiel der korrekten Antwort gefüttert zu werden. Anstatt Daten auswendig zu lernen, wurden diese Programme direkt mit den Gesetzen der Physik unterrichtet. Man gab ihnen die Regeln des Spiels – die Gleichung, die das Verhalten des Teilchens regelt, die Anforderung, dass das Teilchen irgendwo im Raum existieren muss, und die Regel, dass verschiedene Energiezustände sich nicht überschneiden dürfen – und bat sie, den Rest herauszufinden. Das Ziel war zu sehen, ob diese „physik-informierten“ Netzwerke die präzisen Energieniveaus und Wellenformen eines Teilchens finden können, das in einer Box gefangen ist oder sich in einer glatten Kurve bewegt, wobei sie die bekannten Antworten mit hoher Präzision erreichen.

Das Team konzentrierte sich auf drei spezifische Szenarien, die Physiker zur Testung ihrer Methoden verwenden. Das erste war der harmonische Oszillator, ein Modell eines Teilchens, das in einem glatten, gekrümmten Tal vor und zurück springt. Dies ist ein sanftes Problem, bei dem sich die Wellenform des Teilchens allmählich verändert. Als Nächstes betrachteten sie den unendlichen Potenzialtopf, eine Box mit Wänden, die so hoch sind, dass das Teilchen nicht entkommen kann, was die Welle dazu zwingt, an den Kanten abrupt auf Null abzufallen. Schließlich untersuchten sie den endlichen Potenzialtopf, eine Box mit Wänden von begrenzter Höhe, die es dem Teilchen ermöglicht, leicht in den verbotenen Bereich außerhalb zu entweichen. Diese drei Fälle decken ein breites Spektrum an Schwierigkeiten ab: glatte Kurven, scharfe Ecken und das knifflige Geschäft von Teilchen, die aus ihrer Einschränkung entweichen.

Um diese zu lösen, bauten die Forscher zwei verschiedene Arten von Lernsystemen. Das erste war ein klassisches neuronales Netz, ein Standard-Computerprogramm, das darauf ausgelegt ist, die Art und Weise nachzuahmen, wie biologische Neuronen sich verbinden und feuern. Das zweite war ein Quanten-neuronales Netz, das auf einem simulierten Quantencomputer läuft. Dieses zweite System nutzt die seltsamen Eigenschaften der Quantenmechanik, wie Superposition und Verschränkung, um gleichzeitig eine riesige Landschaft von Möglichkeiten zu erkunden. Beide Systeme wurden unter Verwendung einer zusammengesetzten Bewertung trainiert, die sie bestrafte, wenn sie gegen die physikalischen Regeln verstießen. Wenn die Wellenfunktion die Schrödinger-Gleichung nicht erfüllte, stieg der Wert der Bewertung. Wenn die Welle nicht in die Box passte oder wenn zwei verschiedene Energiezustände sich zu ähnlich sahen, stieg der Wert ebenfalls an. Die Systeme passten ihre internen Einstellungen über tausende Versuche hinweg an, um diesen Wert zu senken, was effektiv bedeutete, dass sie sich die Lösung selbst beibrachten.

Die Ergebnisse zeigten, dass beide Methoden bemerkenswert gut funktionierten. Für den glatten harmonischen Oszillator fanden sowohl das klassische als auch das Quantennetz die Energieniveaus der ersten vier Zustände mit einem Fehler, der so klein ist, dass er nur wenigen Teilen pro Million entspricht. Sie reproduzierten die exakten Wellenformen fast perfekt und stimmten mit den bekannten mathematischen Lösungen überein. Als die Forscher zu den Potenzialtöpfen übergingen, in denen die Wände scharf sind und die Physik abrupt verläuft, zeigten die Netzwerke immer noch eine hohe Treue. Sie stellten die korrekten Energieniveaus und Wellenfunktionen selbst dort wieder her, wo sich das Potenzial instantan änderte – eine Aufgabe, die traditionelle numerische Methoden, die auf einer starren Aufteilung des Raums in ein Gitter angewiesen sind, oft scheitern lässt.

Ein wesentlicher Unterschied zeigte sich, als die Forscher die schwierigeren, hochenergetischen Zustände betrachteten. Wenn die Teilchen angeregter wurden und sich in komplexere Wellenmuster bewegten, begann das klassische Netzwerk zu kämpfen. Es fiel ihm schwerer, durch die komplexe Landschaft der Möglichkeiten zu navigieren, um die beste Lösung zu finden, und blieb oft in lokalen Fehlern stecken. Das Quantennetz hingegen bewältigte diese höheren Zustände zuverlässiger. Da der Quantenschaltkreis in der Lage ist, einen kontinuierlichen Bereich von Transformationen über sein gesamtes System hinweg zu erkunden, behielt es seine Fähigkeit bei, die korrekte Lösung zu finden, selbst als das Problem komplexer wurde. Dies deutet darauf hin, dass klassische Computer zwar einfache Quantenprobleme mit großer Genauigkeit lösen können, Quantensysteme jedoch einen deutlichen Vorteil bieten könnten, sobald die Komplexität des physikalischen Systems zunimmt.

Die Studie bestätigt, dass diese physik-informierten Ansätze ein gangbarer Weg sind, um Quantenprobleme zu lösen, ohne dass enorme Mengen an vorab berechneten Daten benötigt werden. Indem sie die Gesetze der Physik direkt in den Lernprozess einbetten, vermeiden die Netzwerke die Notwendigkeit der starren Gitter, die traditionelle Methoden erfordern, was sie natürlich geeignet für Probleme macht, bei denen der Raum schwierig ordentlich aufzuteilen ist. Während die aktuellen Tests auf eindimensionale Systeme mit bekannten Antworten beschränkt waren, deutet der Erfolg sowohl der klassischen als auch der Quantenversion auf eine Zukunft hin, in der diese Werkzeuge die komplexen, mehrdimensionalen Systeme finden können, die in realen Materialien und Molekülen vorkommen. Insbesondere der Quantenansatz zeigte eine Robustheit, die auf eine wachsende Fähigkeit hindeutet, die anspruchsvollsten Berechnungen in der Quantenphysik zu bewältigen, und bietet somit einen neuen Weg zum Verständnis der Bausteine der Natur.