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

En el corazón de nuestra comprensión del universo reside un desafío único y obstinado: predecir cómo se mueven y se asientan partículas diminutas como los electrones alrededor de los átomos. En el mundo de lo muy pequeño, las partículas no siguen las trayectorias suaves y predecibles de los planetas o las pelotas de béisbol. En su lugar, existen como ondas de probabilidad, descritas por una regla matemática conocida como la ecuación de Schrödinger. Esta regla nos dice exactamente dónde es probable encontrar una partícula y cuánta energía posee, pero resolverla es notoriamente difícil. Para situaciones simples e idealizadas, los científicos conocen las respuestas desde hace casi un siglo. Pero para los sistemas complejos y desordenados que componzuen la materia real, las ecuaciones se vuelven tan enredadas que incluso las supercomputadoras más potentes luchan por encontrar una solución. Aquí es donde una nueva generación de herramientas está interviniendo, tomando prestadas ideas de la inteligencia artificial para desenredar la física del mundo subatómico.

Investigadores en Pakistán y México han probado recientemente dos de estas nuevas herramientas en tres problemas clásicos que sirven como campo de entrenamiento para cualquier nuevo resolvedor. Querían ver si un programa de computadora estándar y un programa de computadora cuántica especializado podían aprender a resolver la ecuación de Schrödinger sin que se les suministrara un solo ejemplo de la respuesta correcta. En lugar de memorizar datos, estos programas fueron enseñados directamente las leyes de la física. Se les dieron las reglas del juego —la ecuación que gobierna el comportamiento de la partícula, el requisito de que la partícula debe existir en algún lugar del espacio y la regla de que diferentes estados de energía no pueden solaparse— y se les pidió que descubrieran el resto. El objetivo era ver si estas redes "informadas por la física" podían encontrar los niveles de energía precisos y las formas de onda de una partícula atrapada en una caja o moviéndose en una curva suave, coincidiendo con las respuestas conocidas con alta precisión.

El equipo se centró en tres escenarios específicos que los físicos utilizan para probar sus métodos. Primero fue el oscilador armónico, un modelo de una partícula rebotando de un lado a otro en un valle suave y curvo. Este es un problema suave donde la forma de la onda de la partícula cambia gradualmente. A continuación, examinaron el pozo de potencial infinito, una caja con paredes tan altas que la partícula no puede escapar, obligando a la onda a llegar a cero abruptamente en los bordes. Finalmente, examinaron el pozo de potencial finito, una caja con paredes de altura limitada, que permite que la partícula se filtre ligeramente en la región prohibida exterior. Estos tres casos cubren una amplia gama de dificultades: curvas suaves, esquinas afiladas y el complejo asunto de las partículas que escapan de su confinamiento.

Para resolver esto, los investigadores construyeron dos tipos diferentes de sistemas de aprendizaje. El primero fue una red neuronal clásica, un programa de computadora estándar diseñado para imitar la forma en que las neuronas biológicas se conectan y disparan. El segundo fue una red neuronal cuántica, que se ejecuta en una computadora cuántica simulada. Este segundo sistema utiliza las extrañas propiedades de la mecánica cuántica, como la superposición y el entrelazamiento, para explorar un vasto paisaje de posibilidades simultáneamente. Ambos sistemas fueron entrenados utilizando una puntuación compuesta que los penalizaba por romper cualquiera de las reglas físicas. Si la función de onda no satisfacía la ecuación de Schrödinger, la puntuación subía. Si la onda no cabía dentro de la caja o si dos estados de energía diferentes parecían demasiado similares, la puntuación subía. Los sistemas ajustaron sus configuraciones internas a lo largo de miles de intentos para reducir esta puntuación, enseñándose a sí mismos la solución de manera efectiva.

Los resultados mostraron que ambos métodos funcionaron notablemente bien. Para el oscilador armónico suave, tanto la red clásica como la cuántica encontraron los niveles de energía de los primeros cuatro estados con un error tan pequeño que equivale a unas pocas partes por millón. Reprodujeron las formas de onda exactas casi perfectamente, coincidiendo con las soluciones matemáticas conocidas. Cuando los investigadores pasaron a los pozos de potencial, donde las paredes son afiladas y la física es más abrupta, las redes siguieron desempeñándose con alta fidelidad. Recuperaron los niveles de energía y las funciones de onda correctos incluso donde el potencial cambiaba instantáneamente, una tarea que a menudo confunde a los métodos numéricos tradicionales que dependen de dividir el espacio en una cuadrícula rígida.

Una diferencia clave surgió cuando los investigadores observaron los estados de mayor energía, que son más difíciles. A medida que las partículas se excitaban más, moviéndose hacia estados con patrones de onda más complejos, la red clásica comenzó a tener dificultades. Le resultó más difícil navegar por el complejo paisaje de posibilidades para encontrar la mejor solución, quedando a menudo atrapada en errores locales. La red cuántica, sin embargo, manejó estos estados superiores de manera más fiable. Debido a que el circuito cuántico puede explorar un rango continuo de transformaciones a través de todo su sistema, mantuvo su capacidad para encontrar la solución correcta incluso a medida que el problema se volvía más intrincado. Esto sugiere que, si bien las computadoras clásicas pueden resolver problemas cuánticos simples con gran precisión, los sistemas cuánticos pueden poseer una ventaja distintiva a medida que la complejidad del sistema físico aumenta.

El estudio confirma que estos enfoques informados por la física son una vía viable para resolver problemas cuánticos sin necesidad de cantidades masivas de datos precalculados. Al integrar las leyes de la física directamente en el proceso de aprendizaje, las redes evitan la necesidad de las cuadrículas rígidas que requieren los métodos tradicionales, lo que las hace naturalmente adecuadas para problemas donde el espacio es difícil de dividir nítidamente. Aunque las pruebas actuales se limitaron a sistemas unidimensionales con respuestas conocidas, el éxito tanto de la versión clásica como de la cuántica apunta hacia un futuro en el que estas herramientas puedan abordar los complejos sistemas multidimensionales que se encuentran en materiales y moléculas reales. El enfoque cuántico, en particular, mostró una robustez que insinúa una capacidad creciente para manejar los cálculos más desafiantes de la física cuántica, ofreciendo un nuevo camino para comprender los componentes fundamentales de la naturaleza.