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

Au cœur de notre compréhension de l'univers se trouve un défi unique et tenace : prédire comment de minuscules particules, comme les électrons, se déplacent et se stabilisent autour des atomes. Dans le monde de l'infiniment petit, les particules ne suivent pas les trajectoires fluides et prévisibles des planètes ou des balles de baseball. Au lieu de cela, elles existent sous forme d'ondes de probabilité, décrites par une règle mathématique connue sous le nom d'équation de Schrödinger. Cette règle nous indique précisément où une particule est susceptible de se trouver et quelle énergie elle possède, mais la résoudre est notoirement difficile. Pour des situations simples et idéalisées, les scientifiques en connaissent les réponses depuis près d'un siècle. Mais pour les systèmes complexes et désordonnés qui constituent la matière réelle, les équations deviennent si emmêlées que même les superordinateurs les plus puissants peinent à trouver une solution. C'est là qu'intervient une nouvelle génération d'outils, empruntant des idées à l'intelligence artificielle pour démêler la physique du monde subatomique.

Des chercheurs au Pakistan et au Mexique ont récemment testé deux de ces nouveaux outils sur trois problèmes classiques qui servent de terrain d'entraînement pour tout nouveau solveur. Ils voulaient voir si un programme informatique standard et un programme d'ordinateur quantique spécialisé pouvaient tous deux apprendre à résoudre l'équation de Schrödinger sans être nourris d'un seul exemple de la réponse correcte. Au lieu de mémoriser des données, ces programmes ont appris directement les lois de la physique. On leur a donné les règles du jeu — l'équation qui régit le comportement de la particule, l'exigence que la particule doit exister quelque part dans l'espace, et la règle selon laquelle différents états d'énergie ne peuvent pas se chevaucher — et on leur a demandé de découvrir le reste. L'objectif était de voir si ces réseaux « informés par la physique » pouvaient trouver les niveaux d'énergie précis et les formes d'ondes d'une particule piégée dans une boîte ou se déplaçant selon une courbe lisse, en correspondant aux réponses connues avec une grande précision.

L'équipe s'est concentrée sur trois scénarios spécifiques que les physiciens utilisent pour tester leurs méthodes. Le premier était l'oscillateur harmonique, un modèle d'une particule rebondissant d'avant en arrière dans une vallée courbe et lisse. Il s'agit d'un problème doux où la forme d'onde de la particule change graduellement. Ensuite, ils ont examiné le puits de potentiel carré infini, une boîte dont les parois sont si hautes que la particule ne peut pas s'en échapper, forçant l'onde à tomber brusquement à zéro sur les bords. Enfin, ils ont examiné le puits de potentiel carré fini, une boîte aux parois d'une hauteur limitée, permettant à la particule de fuir légèrement dans la région interdite à l'extérieur. Ces trois cas couvrent un large éventail de difficultés : courbes lisses, angles vifs et la question délicate des particules s'échappant de leur confinement.

Pour résoudre ces problèmes, les chercheurs ont construit deux types différents de systèmes d'apprentissage. Le premier était un réseau de neurones classique, un programme informatique standard conçu pour imiter la façon dont les neurones biologiques se connectent et s'activent. Le second était un réseau de neurones quantiques, qui fonctionne sur un ordinateur quantique simulé. Ce second système utilise les propriétés étranges de la mécanique quantique, telles que la superposition et l'intrication, pour explorer simultanément un vaste paysage de possibilités. Les deux systèmes ont été entraînés à l'aide d'un score composite qui les pénalisait s'ils enfreignaient l'une des règles physiques. Si la fonction d'onde ne satisfaisait pas à l'équation de Schrödinger, le score augmentait. Si l'onde ne rentrait pas dans la boîte ou si deux états d'énergie différents semblaient trop similaires, le score augmentait. Les systèmes ont ajusté leurs paramètres internes sur des milliers de tentatives pour abaisser ce score, s'enseignant ainsi la solution par eux-mêmes.

Les résultats ont montré que les deux méthodes fonctionnaient remarquablement bien. Pour l'oscillateur harmonique lisse, les réseaux classique et quantique ont trouvé les niveaux d'énergie des quatre premiers états avec une erreur si petite qu'elle se compte en quelques parties par million. Ils ont reproduit les formes d'ondes exactes presque parfaitement, correspondant aux solutions mathématiques connues. Lorsque les chercheurs sont passés aux puits carrés, où les parois sont abruptes et la physique plus soudaine, les réseaux ont tout de même performé avec une grande fidélité. Ils ont récupéré les niveaux d'énergie et les fonctions d'onde corrects, même là où le potentiel changeait instantanément, une tâche qui déroute souvent les méthodes numériques traditionnelles reposant sur une division de l'espace en une grille rigide.

Une différence clé est apparue lorsque les chercheurs ont examiné les états plus difficiles, à plus haute énergie. À mesure que les particules devenaient plus excitées, passant à des états présentant des motifs d'ondes plus complexes, le réseau classique a commencé à éprouver des difficultés. Il lui était plus difficile de naviguer dans le paysage complexe des possibilités pour trouver la meilleure solution, se retrouvant souvent bloqué dans des erreurs locales. Le réseau quantique, en revanche, a géré ces états supérieurs de manière plus fiable. Parce que le circuit quantique peut explorer une gamme continue de transformations à travers l'ensemble de son système, il a maintenu sa capacité à trouver la solution correcte, même lorsque le problème devenait plus complexe. Cela suggère que si les ordinateurs classiques peuvent résoudre des problèmes quantiques simples avec une grande précision, les systèmes quantiques peuvent détenir un avantage distinct à mesure que la complexité du système physique augmente.

L'étude confirme que ces approches informées par la physique sont un moyen viable de résoudre des problèmes quantiques sans avoir besoin de quantités massives de données précalculées. En intégrant les lois de la physique directement dans le processus d'apprentissage, les réseaux évitent le besoin des grilles rigides requises par les méthodes traditionnelles, ce qui les rend naturellement adaptés aux problèmes où l'espace est difficile à diviser proprement. Bien que les tests actuels aient été limités à des systèmes unidimensionnels aux réponses connues, le succès des versions classique et quantique pointe vers un avenir où ces outils pourront s'attaquer aux systèmes multidimensionnels complexes que l'on trouve dans les matériaux et les molécules réels. L'approche quantique, en particulier, a montré une robustesse qui laisse présager une capacité croissante à gérer les calculs les plus difficiles de la physique quantique, offrant une nouvelle voie pour comprendre les éléments constitutifs de la nature.