Quantum computer-based simulation of Stark many-body localization in a 1D Fermi-Hubbard model
Questo articolo dimostra una simulazione basata su un computer quantistico della localizzazione a molti corpi di Stark in un modello di Fermi-Hubbard 1D a 12 qubit su hardware IBM, utilizzando tecniche avanzate di compilazione e ottimizzazione per ridurre significativamente la complessità del circuito e osservare con successo il crossover dalla dinamica termica a quella localizzata.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immaginate l'universo come una gigantesca e caotica pista da ballo. Di solito, quando si lanciano alcuni ballerini su questa pista, questi si scontrano tra loro, si scambiano i partner e alla fine si mescolano così profondamente che non è più possibile distinguere dove ognuno sia iniziato. In fisica, questo rimescolamento caotico è chiamato "termalizzazione", ed è il modo in cui la maggior parte delle cose in natura raggiunge uno stato di equilibrio, come una tazza di caffè caldo che si raffredda fino a raggiungere la temperatura ambiente. Ma cosa succederebbe se la pista da ballo avesse pareti invisibili o una strana pendenza inclinata che costringesse i ballerini a rimanere nei propri piccoli angoli, rifiutandosi di mescolarsi? Questo è il mistero della "Localizzazione a Molti Corpi" (MBL). È un fenomeno in cui un sistema quantistico dimentica come termalizzarsi, mantenendo una memoria a lungo termine della sua posizione iniziale. Sebbene gli scienziati sappiano da tempo che il disordine casuale può causare questo effetto, un'idea più recente suggerisce che anche una pendenza perfettamente liscia e dritta (un campo elettrico uniforme) potrebbe intrappolare le particelle con la stessa efficacia. Questo è chiamato "Stark MBL". Comprendere questo fenomeno è fondamentale perché sfida le nostre regole base su come l'energia e l'informazione si muovono, e potrebbe essere la chiave per costruire computer quantistici migliori che non perdano i propri dati.
In questo articolo, un team di ricercatori ha deciso di testare questa idea dello "Stark MBL" utilizzando un vero computer quantistico fisico, piuttosto che una semplice simulazione su un normale laptop. Hanno impostato un modello chiamato "modello di Fermi-Hubbard", che è come un parco giochi digitale per elettroni che saltano tra i siti del reticolo, ma hanno aggiunto un forte campo elettrico uniforme per inclinare l'intero parco giochi. L'obiettivo era vedere se le particelle sarebbero rimaste bloccate sul posto (localizzate) o se avrebbero finito per correre selvaggiamente e mescolarsi (termalizzarsi). La sfida era che gli attuali computer quantistici sono un po' "rumorosi" — è come cercare di risolvere un puzzle complesso mentre qualcuno scuote il tavolo. Per ottenere una risposta chiara, il team è dovuto essere incredibilmente astuto con il proprio codice. Hanno utilizzato una speciale tecnica di mappatura per tradurre il problema degli elettroni in qubit (i bit di un computer quantistico) e poi hanno applicato una routine di "compressione del circuito". Pensate a questo come al prendere una enorme e aggrovigliata matassa di lana e ridurla in un nodo piccolo e ordinato senza perdere il disegno. Questa ottimizzazione è stata un grande successo, tagliando il numero di operazioni complesse a due qubit di circa l'88% e la profondità del circuito dell'87%, rendendo l'esperimento possibile sull'attuale hardware imperfetto.
I risultati sono stati una chiara vittoria della teoria della "pendenza inclinata". Quando i ricercatori hanno applicato un campo elettrico debole, le particelle si sono comportate normalmente: saltavano intorno, si mescolavano e il sistema perdeva la memoria di dove era iniziato, proprio come una normale pista da ballo. Tuttavia, quando hanno aumentato la forza del campo elettrico a un livello elevato (specificamente una forza di inclinazione di 15), il comportamento è cambiato drasticamente. Le particelle hanno smesso di muoversi. Sono rimaste esattamente dove erano state posizionate, rifiutandosi di saltare verso i siti vicini. Il sistema ha mantenuto una forte "memoria" del suo stato iniziale e l'entanglement tra le particelle è cresciuto molto lentamente, che è il segno distintivo della localizzazione. Il team ha verificato queste scoperte confrontando i risultati del loro computer quantistico rumoroso con simulazioni perfette e prive di rumore e con calcoli matematici esatti, e i risultati coincidevano in modo sorprendente. Hanno osservato questo effetto di "congelamento" utilizzando diverse misurazioni differenti, come il monitoraggio di quante particelle rimanevano su un lato della catena e la misurazione del "disequilibrio di carica" (quanto fosse disomogenea la distribuzione delle particelle).
L'articolo esclude esplicitamente l'idea che questa localizzazione sia causata dal disordine casuale o dalla confusione nel sistema; al contrario, conferma che un campo elettrico uniforme e deterministico è sufficiente per intrappolare le particelle. Gli autori sono fiduciosi in queste scoperte perché i risultati del loro hardware rispecchiavano da vicino le simulazioni esatte, nonostante abbiano dovuto combattere contro il rumore del processore quantistico. Non si sono limitati a suggerire che ciò accada; lo hanno misurato in tempo reale attraverso la dinamica su un sistema a 12 qubit. Lo studio dimostra che, con le giuste tecniche di ottimizzazione, i computer quantistici attuali possono simulare con successo stati quantistici complessi e non termalizzanti. Questo prova che possiamo usare queste macchine rumorose per esplorare questioni di fisica profonda, come il modo in cui le particelle rimangono bloccate in un mondo perfettamente ordinato, aprendo la strada a futuri esperimenti che potrebbero un giorno aiutarci a costruire tecnologie quantistiche più stabili.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.