A deterministic polynomial chaos Galerkin method for non-Markovian quantum state diffusion

Dans le monde quantique, les particules existent rarement de manière isolée. Elles sont constamment en train de heurter, de tirer sur et d'échanger de l'énergie avec un environnement environnant, qu'il s'agisse d'un nuage de gaz, d'un cristal solide ou d'une mer d'ondes électromagnétiques. Lorsqu'un système quantique interagit avec son environnement, il perd ses propriétés délicates et isolées et commence à se comporter de manières plus difficiles à prédire. Les scientifiques appellent ces systèmes des « systèmes quantiques ouverts ». Le défi consiste à déterminer comment le système évolue au fil du temps sans avoir à suivre chaque particule de l'environnement massif qu'il touche. Cela est particulièrement difficile lorsque l'environnement possède une « mémoire », ce qui signifie que les interactions passées du système continuent d'influencer son comportement futur. C'est ce qu'on appelle la dynamique non-markovienne, et sa simulation a longtemps été un goulot d'étranglement pour les chercheurs tentant de comprendre tout, des réactions chimiques au fonctionnement des futurs ordinateurs quantiques.

Pendant des décennies, la méthode standard pour aborder ce problème a consisté à exécuter des milliers de simulations aléatoires. Imaginez essayer de prédire la météo en faisant tourner un seul modèle informatique qui devine la direction du vent à chaque étape ; le résultat serait un chaos total. Pour obtenir une prévision fiable, il faudrait exécuter ce modèle des milliers de fois avec des devinettes aléatoires légèrement différentes, puis faire la moyenne des résultats. C'est exactement ainsi que fonctionnent les méthodes actuelles pour les systèmes quantiques ouverts : elles génèrent des milliers de « trajectoires », ou histoires possibles du système, et en fait la moyenne pour trouver le comportement réel. Bien que cette approche fonctionne, elle est incroyablement lente et sujette au bruit statistique, ce qui signifie que la réponse n'est jamais parfaitement claire à moins d'exécuter un nombre énorme de simulations.

Une équipe de chercheurs de l'Université nationale de Singapour a proposé une voie différente. Au lieu de s'appuyer sur des milliers de devinettes aléatoires, ils ont développé une méthode qui transforme le problème en un calcul déterministe unique. Considérez cela comme le remplacement du besoin de faire tourner un modèle météorologique mille fois par une seule équation hautement sophistiquée qui rend compte de toutes les possibilités à la fois. Leur nouvelle technique, appelée méthode de Galerkin par chaos polynomial déterministe, permet aux scientifiques de calculer une approximation hautement précise du comportement d'un système quantique interagissant avec un environnement doté de mémoire en une seule fois. Le résultat est un calcul qui est non seulement exempt des erreurs statistiques de l'échantillonnage aléatoire, mais qui est aussi des centaines de fois plus rapide que les méthodes traditionnelles.

Le cœur de cette avancée réside dans la manière dont les chercheurs gèrent la « mémoire » de l'environnement. Dans l'approche ancienne, la mémoire est traitée comme un nuage complexe et changeant de bruit aléatoire qui change à chaque fois que l'on lance la simulation. La nouvelle méthode décompose ce bruit en un ensemble fini de blocs de construction, un peu comme si l'on décomposait un son complexe en un ensemble spécifique de notes musicales. En représentant l'influence de l'environnement par ces composants fixes, les chercheurs peuvent réécrire les équations du mouvement de sorte qu'elles ne dépendent plus du hasard. Au lieu de cela, le problème devient un ensemble d'équations liées qui décrivent comment le système évolue en fonction de ces composants fixes. Cela transforme un problème probabiliste chaotique en un problème structuré et prévisible que les solveurs informatiques standards peuvent traiter avec une grande précision.

Pour tester leur idée, l'équipe a appliqué sa méthode à plusieurs scénarios complexes courants en physique quantique. Ils ont étudié un système simple à deux niveaux, semblable à un minuscule aimant qui peut pointer vers le haut ou vers le bas, interagissant avec un bain chaud de particules. Ils ont également simulé une particule se déplaçant à travers un paysage de collines et de vallées, et ont même modélisé la célèbre expérience des fentes de Young, où une particule passe par deux ouvertures et crée un motif d'interférence. Dans chaque cas, ils ont comparé leur nouvelle méthode aux meilleures techniques existantes, y compris l'approche par milliers de trajectoires et d'autres outils mathématiques avancés. Les résultats ont été frappants. Dans le test du système à deux niveaux, la nouvelle méthode a produit des résultats avec des erreurs nettement plus faibles que les méthodes aléatoires traditionnelles, tout en prenant moins d'une seconde pour s'exécuter. En revanche, les méthodes traditionnelles ont pris plusieurs minutes, voire des heures, pour atteindre un niveau de précision bien inférieur.

Les chercheurs ont également poussé la méthode dans ses retranchements en simulant des systèmes complexes en trois dimensions où les particules sont couplées ensemble en une chaîne. Ces simulations sont notoirement difficiles car le nombre de variables explose à mesure que le système croît. Même dans ces cas complexes, la nouvelle méthode a réussi à capturer la manière dont les particules s'influencent les unes les autres au fil du temps, reproduisant avec une grande fidélité les modèles attendus de corrélation et de mouvement. La méthode s'est révélée capable de gérer des potentiels non quadratiques, c'est-à-dire des paysages qui ne sont pas de simples paraboles, et elle a modélisé avec précision la suppression de l'interférence quantique lorsque l'environnement devient trop bruyant. Ces découvertes suggèrent que la méthode est assez robuste pour gérer les conditions réelles et désordonnées qui défont souvent les modèles plus simples.

L'un des avantages les plus importants de cette approche est son efficacité. Parce qu'elle remplace un ensemble de milliers de trajectoires aléatoires par une résolution déterministe unique, le coût computationnel chute d'un facteur approximativement égal au nombre de trajectoires précédemment requises. Dans les tests, cela s'est traduit par une accélération de centaines de fois. De plus, comme la méthode ne repose pas sur l'échantillonnage aléatoire, elle élimine le « bruit statistique » qui obscurcit souvent les détails fins dans les données. Cela permet aux chercheurs de voir des effets subtils, tels que la manière précise dont une onde quantique se propage ou comment elle interfère avec elle-même, sans l'effet de flou causé par l'erreur aléatoire. La méthode est également flexible ; elle peut être appliquée à des systèmes avec différents types d'environnements et peut être adaptée pour utiliser des solveurs numériques standards déjà largement disponibles dans le calcul scientifique.

Le travail n'est pas sans ses propres contraintes. Les chercheurs ont noté qu'à mesure que la complexité de l'environnement augmente, le nombre de blocs de construction nécessaires pour le décrire augmente également. Cela signifie que pour des systèmes extrêmement grands ou complexes, la taille du calcul augmentera tout de même, bien que la méthode reste plus efficace que les alternatives. L'équipe suggère que les travaux futurs pourraient se concentrer sur la manière de rendre la sélection de ces blocs de construction plus adaptative, permettant à la méthode de concentrer automatiquement ses ressources sur les parties les plus importantes du problème. Pour l'instant, cependant, la méthode constitue un nouvel outil puissant pour simuler les systèmes quantiques ouverts.

En convertissant un problème qui nécessitait des milliers de devinettes aléatoires en un calcul unique et précis, cette recherche offre une fenêtre plus claire sur le comportement des systèmes quantiques dans le monde réel. Elle démontre que le gros œuvre de la simulation des effets de mémoire en mécanique quantique ne doit pas nécessairement reposer sur une moyenne par force brute. Au lieu de cela, avec le cadre mathématique approprié, les scientifiques peuvent atteindre une précision plus élevée en une fraction du temps. Ce passage de l'échantillonnage aléatoire au calcul déterministe pourrait accélérer le développement des technologies quantiques, permettant aux chercheurs de concevoir de meilleurs capteurs, des processus chimiques plus efficaces et des ordinateurs quantiques plus fiables en simulant leur comportement avec une vitesse et une clarté sans précédent.