🔬 condensed matter

A machine-learned dynamical phase diagram of the one-dimensional nonlinear Schrödinger equation with quasiperiodic disorder and a static field

Este artículo emplea un marco de aprendizaje automático que combina simulaciones de tiempo corto, reducción de características y agrupamiento de mezclas gaussianas para mapear eficientemente el diagrama de fase dinámica de la ecuación de Schrödinger no lineal unidimensional con desorden cuasiperiódico y un campo estático, identificando y validando con éxito cinco regímenes de transporte distintos y su dependencia de la fuerza de interacción, el campo y el desorden, al tiempo que revela contrastes marcados entre los estados iniciales delta y gaussianos.

Autores originales: Marcos Pérez

Publicado 2026-09-10

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Marcos Pérez

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo microscópico de la física cuántica, las partículas no siempre se comportan como pequeñas canicas sólidas rodando por una colina. En cambio, actúan más como ondas, extendiéndose e interfiriendo entre sí a medida que se mueven a través de un material. Los científicos han sabido durante mucho tiempo que si un material es perfectamente ordenado, estas ondas pueden viajar libremente y rápidamente, un estado llamado transporte balístico. Sin embargo, si el material es desordenado o caótico, las ondas pueden quedarse atrapadas en su lugar, un fenómeno conocido como localización. La cuestión se vuelve mucho más compleja cuando el material no es perfectamente ordenado ni aleatoriamente desordenado, sino que sigue un patrón específico y repetitivo que no llega a repetirse del todo, conocido como desorden cuasiperiódico. Además, cuando estas partículas interactúan entre sí, pueden cambiar las reglas por completo, a veces liberándose del desorden para extenderse lentamente, o en otros casos, bloqueándose en un grupo apretado e inmóvil. Comprender cómo estas diferentes fuerzas —el desorden, la interacción y los campos externos— compiten para atrapar o liberar una onda es crucial para diseñar las tecnologías cuánticas del futuro, aunque mapear estos resultados ha sido una tarea desalentadora porque las simulaciones requeridas para ver el resultado final toman una cantidad de tiempo impracticable.

Un investigador liderado por Marcos Pérez, de la Universidad Federal de Rio Grande do Sul en Brasil, ha abordado este desafío utilizando el aprendizaje automático para crear un nuevo tipo de mapa. En lugar de ejecutar una única simulación increíblemente larga para cada combinación posible de condiciones, lo que tomaría años de tiempo computacional, realizaron miles de simulaciones muy cortas. Luego, introdujeron los resultados de estas ejecuciones breves en un programa informático diseñado para encontrar patrones y agrupar comportamientos similares. Este enfoque les permitió identificar rápidamente los límites entre los diferentes regímenes de transporte, creando efectivamente un diagrama de fase dinámica que muestra cómo se comportará un paquete de ondas bajo diversas condiciones. El estudio se centró en una cadena unidimensional de partículas sujetas a un potencial cuasiperiódico, un campo eléctrico estático y una autointeracción, probando dos formas iniciales diferentes para la onda: un estallido apretado de un solo punto y una colina amplia y suave.

El investigador descubrió que la forma inicial de la onda importa profundamente. Cuando la onda comenzó como un estallido apretado de un solo punto, una gran región del mapa reveló un fenómeno llamado autoatrapamiento. En este estado, la fuerte interacción entre las partículas hace que la onda colapse en un nudo apretado que se niega a extenderse, incluso si el desorden y el campo externo de otro modo permitirían su movimiento. Esta región de autoatrapamiento crece a medida que aumenta la fuerza de la interacción, invadiendo áreas donde la onda normalmente viajaría libremente o permanecería localizada. En marcado contraste, cuando la onda comenzó como una colina amplia y suave, este comportamiento de autoatrapamiento desapareció por completo. En su lugar, la onda amplia siguió un camino diferente, entrando en un régimen de propagación subdifusiva lenta a lo largo de la línea crítica donde el desorden es más fuerte. Esta diferencia resalta que el estado inicial de un sistema cuántico no es un detalle menor, sino un factor fundamental que puede cambiar la topología completa de cómo evoluciona el sistema.

Para asegurar que su mapa aprendido por máquina fuera preciso, el investigador validó sus hallazgos contra un conjunto más pequeño de simulaciones mucho más largas y costosas que sirvieron como una verdad de referencia. Confirmaron que las simulaciones cortas, al ser analizadas mediante su método de agrupamiento, predecían correctamente el comportamiento a largo plazo del sistema. El mapa identificó con éxito cinco regímenes distintos: movimiento balístico donde la onda vuela libremente, localización donde se queda quieta, localización oscilatoria donde vibra en su lugar, propagación subdifusiva lenta y el estado de autoatrapado. Para el estado de autoatrapado, el investigador tuvo que mirar más allá de las simples mediciones de propagación, utilizando una métrica separada para confirmar que una gran parte de la energía de la onda permanecía atrapada en el centro, un detalle que las mediciones de propagación estándar por sí solas habrían pasado por alto.

El estudio también reveló cómo el campo estático externo interactúa con el sistema. Cuando el campo está presente, tiende a localizar la onda, pero la interacción entre las partículas puede eventualmente superar esto, causando que la onda se filtre lentamente. El investigador encontró que el límite entre estos comportamientos cambia dependiendo de la fuerza del campo y de la interacción, creando un paisaje complejo de posibilidades. Al utilizar un método que combina simulaciones cortas con un reconocimiento de patrones inteligente, el investigador pudo producir un diagrama de fase completo en una fracción del tiempo que le habría tomado utilizando métodos tradicionales. Este trabajo demuestra que el aprendizaje automático puede ser una herramienta poderosa para explorar sistemas físicos complejos, siempre que los resultados sean cuidadosamente verificados contra simulaciones rigurosas a largo plazo para asegurar que los patrones encontrados sean reales y no solo artefactos de la ventana de observación corta. El mapa resultante ofrece una visión clara y cuantitativa de cómo el desorden, la interacción y las fuerzas externas compiten para determinar el destino de una onda cuántica, proporcionando una base sólida para futuros experimentos y trabajos teóricos en este campo.

Resumen Técnico: Diagrama de Fases Dinámico Aprendido mediante Aprendizaje Automático de la Ecuación de Schrödinger No Lineal 1D

Planteamiento del Problema
El artículo aborda el desafío de mapear los regímenes de transporte de un paquete de ondas que evoluciona bajo la ecuación de Schrödinger no lineal discreta (Gross–Pitaevskii) unidimensional con tres parámetros de control competitivos: la fuerza de autointeracción ( $g$ ), la fuerza del campo estático ( $F$ ) y la fuerza de la disipación cuasiperiódica ( $\lambda$ ). El sistema combina el modelo de Aubry–André (disipación cuasiperiódica), la localización de Stark (campo estático) y la no linealidad de campo medio. Distinguir entre los regímenes de transporte —como la subdifusión ( $\alpha \approx 1/3$ ), el caos fuerte ( $\alpha \approx 1/2$ ) y la localización real— requiere típicamente integrar las ecuaciones durante muchas décadas de tiempo ( $t \gtrsim 10^6$ ), lo que hace que un estudio completo del espacio de parámetros sea computacionalmente prohibitivo. Además, la fenomenología del transporte depende críticamente del estado inicial, donde los paquetes de ondas compactos (delta) y amplios (Gaussianos) exhiben comportamientos distintos, particularmente en lo que respecta al autoatrapamiento.

Metodología
El autor propone un flujo de trabajo de aprendizaje automático que reemplaza las simulaciones costosas de largo tiempo con un enfoque de alto volumen y corto tiempo:

Muestreo: El autor realiza 3,600 simulaciones cortas ( $t_{\max} = 2.5 \times 10^3$ $t_{m a x} = 2.5 \times 1 0^{3}$ ) a través de dos cortes de 15 $\times$ $\times$ 15 parámetros:
- Corte A: Interacción ( $g$ ) vs. Disipación cuasiperiódica ( $\lambda$ ) con $F=0$ .
- Corte B: Interacción ( $g$ ) vs. Campo estático ( $F$ ) con $\lambda=1$ .
  Las simulaciones se ejecutan para dos estados iniciales (delta de sitio único y Gaussiano amplio) y se promedian sobre cuatro realizaciones de fase de disipación.
Extracción de Características: Cada trayectoria corta se reduce a un vector de ocho dimensiones de características dinámicas motivadas físicamente, que incluyen:
- Exponentes de propagación ( $\alpha$ ) para el segundo momento ( $m_2$ ) y el número de participación ( $P$ ).
- Valores finales de $\log_{10} m_2$ y $\log_{10} P$ .
- Caída del pico (fracción de la norma central inicial perdida).
- Puntuación de Bloch (excursión normalizada del centro de masa).
- Razones de crecimiento y posición final del centro de masa.
Agrupamiento No Supervisado (Clustering): Se ajusta un Modelo de Mezcla Gaussiana (GMM) al espacio de características estandarizado. El número de componentes ( $k=6$ ) se selecciona mediante el Criterio de Información Bayesiano (BIC). Este paso particiona el espacio de parámetros en grupos sin supervisión.
Etiquetado Semi-Supervisado: Aunque los límites se aprenden, los nombres físicos de los regímenes (balístico, localizado, oscilatorio-localizado, subdifusivo, autoatrapado) se asignan mediante una regla de umbral calibrada a mano aplicada a los miembros de los grupos por voto mayoritario. El autor distingue explícitamente esto de "descubrir" fases, señalando que la taxonomía está predefinida.
Estrategia de Validación:
- Escalamiento de la Red: Para asegurar una comparación válida, las ejecuciones de validación de largo tiempo utilizan una red ( $N=16,384$ ) ocho veces más grande que la red de entrenamiento ( $N=2,048$ ). Esto evita que los paquetes balísticos choquen con la frontera periódica durante la ventana de validación, un modo de falla que ocurriría si se igualaran los tamaños de la red.
- Verdad de Referencia (Ground Truth): Se realizan 100 ejecuciones independientes de largo tiempo ( $t_{\max} = 10^4$ ) en una subrejilla para validar los grupos de corto tiempo.
- Observables Duales: La validación utiliza tanto el exponente de propagación asintótico ( $\alpha_\infty$ ) como la norma del pico residual de largo tiempo ( $\Pi_0$ ), este último crucial para diagnosticar el autoatrapamiento donde $\alpha_\infty$ es ambiguo.

Resultos Clave

Diagramas de Fases: El flujo de trabajo genera con éxito mapas de fase de 15 $\times$ $\times$ 15 para ambos estados iniciales.
- Estado Gaussiano: Muestra una transición "limpia" de regímenes balísticos (metal) a localizados (aislante), con un corredor subdifusivo anclado a la línea crítica de Aubry–André ( $\lambda \approx 2$ ) y una banda oscilatoria-localizada. No se observa autoatrapamiento.
- Estado Delta: Exhibe una amplia "cuña de autoatrapamiento" que invade tanto las regiones balísticas como las localizadas a medida que $g$ aumenta. El inicio del autoatrapamiento en $\lambda=0$ se localiza precisamente en $g = 3.907 \pm 0.017$ .
Métricas de Validación:
- Los grupos de corto tiempo predicen con precisión los exponentes asintóticos de largo tiempo: Balístico ( $\alpha_\infty \approx 2.01$ ), Localizado ( $\approx 0.12$ ), Oscilatorio-localizado ( $\approx 0.23$ ) y Subdifusivo ( $\approx 0.28$ , consistente con un caos débil $\alpha=1/3$ ).
- Para el régimen de Autoatrapamiento, el exponente de propagación no es diagnóstico ( $\alpha_\infty \approx 1.47$ ) porque mide la cola radiada. Sin embargo, el observable independiente $\Pi_0$ confirma el autoatrapamiento con un alto valor de retención ( $0.72 \pm 0.32$ ), distinto de las fases deslocalizadas.
Eficacia del Agrupamiento: El paso de agrupamiento suaviza significativamente los límites de fase en comparación con la aplicación de reglas de umbral punto a punto, reduciendo la "rugosidad" espacial (desacuerdo entre vecinos) por factores de 2 a 4, particularmente en el corte impulsado por el campo.
Estabilidad: El remuestreo de Bootstrap indica una estabilidad de etiqueta de grupo del 75.5% (delta) y 84.2% (Gaussiano), cuantificando la incertidumbre en la ubicación de los límites.

Significancia y Reivindicaciones
El artículo afirma proporcionar un método computacionalmente eficiente (aproximadamente 13 minutos por corte-estado en una computadora portátil) para mapear diagramas de fases dinámicas complejos que de otro modo serían inaccesibles debido al costo de la simulación directa de largo tiempo ( $t \gtrsim 10^6$ ).

Las contribuciones clave incluyen:

Validación de Proxies de Corto Tiempo: Demostrar que las características dinámicas de corto tiempo, cuando se agrupan, pueden predecir de manera confiable el comportamiento asintótico de largo tiempo a través de diversos regímenes.
Dependencia del Estado Inicial: Resaltar que la elección del estado inicial (delta vs. Gaussiano) altera fundamentalmente la topología del diagrama de fases, específicamente la existencia de la cuña de autoatrapamiento, lo que tiene implicaciones para los protocolos experimentales que involucran diferentes condiciones de quench.
Rigor Metodológico: El autor es explícito sobre las limitaciones de su enfoque. Aclara que los nombres de las fases no son descubiertos por el aprendizaje automático, sino que se asignan mediante reglas definidas por humanos; el ML solo aprende la partición del espacio de parámetros. También reporta explícitamente las "celdas de transición" donde la etiqueta basada en reglas discrepa con la mayoría del grupo, en lugar de ocultar estas incertidumbres.
Diseño de Validación Robusto: El uso de una red significativamente más grande para la validación asegura que la comparación entre el entrenamiento de corto tiempo y la verdad de referencia de largo tiempo sea físicamente significativa, evitando artefactos causados por efectos de frontera en los regímenes de propagación más rápidos.

El trabajo concluye que, si bien el método tiene límites (por ejemplo, la confianza disminuye cerca de los límites y para el comportamiento de muy largo tiempo del régimen balístico), ofrece un marco práctico y con cuantificación de la incertidumbre para explorar diagramas de fases dinámicas en sistemas no lineales, desordenados y accionados.

Más como este