⚛️ quantum physics

Machine learning the arrow of time in solid-state spins

Deze studie toont aan dat machine learning, met name onbeheerde clustering en convolutionele neurale netwerken, effectief kan worden ingezet om de pijl van de tijd en entropieproductie in individuele trajectoires van een kwantumprocessor op stikstof-leegte-centra in diamant te identificeren.

Oorspronkelijke auteurs: Xiang-Qian Meng, Zhide Lu, Ya-Nan Lu, Xiu-Ying Chang, Yan-Qing Liu, Dong Yuan, Weikang Li, Zheng-Zhi Sun, Pei-Xin Shen, Lu-Ming Duan, Dong-Ling Deng, Pan-Yu Hou

Gepubliceerd 2026-03-12

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Xiang-Qian Meng, Zhide Lu, Ya-Nan Lu, Xiu-Ying Chang, Yan-Qing Liu, Dong Yuan, Weikang Li, Zheng-Zhi Sun, Pei-Xin Shen, Lu-Ming Duan, Dong-Ling Deng, Pan-Yu Hou

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een film kijkt. Als je de film vooruit laat draaien, zie je een kopje koffie afkoelen en een ijsklontje smelten. Dat voelt "natuurlijk". Maar als je de film achteruit laat draaien, zie je het ijsklontje uit een plas water springen en de koffie plotseling heet worden. Dat voelt "onmogelijk". Dit gevoel dat tijd maar één kant op gaat, noemen wetenschappers de tijdspijl.

In de wereld van heel kleine deeltjes (zoals atomen) is dit echter een raadsel. Als je alleen kijkt naar hoe deze deeltjes bewegen volgens de wetten van de kwantummechanica, is er geen verschil tussen vooruit en achteruit. Het is alsof je een balletje op een perfect gladde vloer ziet rollen; als je de film achteruit draait, ziet het er precies hetzelfde uit. Er is geen "tijdspijl".

Maar in onze echte wereld is er wel een tijdspijl. Waarom? Omdat we dingen meten.

Dit is het verhaal van een nieuw onderzoek waarbij wetenschappers machine learning (kunstmatige intelligentie) hebben gebruikt om dit raadsel op te lossen in een heel klein laboratorium. Hier is hoe ze het deden, vertaald in alledaagse termen:

1. Het Experiment: Een Quantum-Speelgoeddoos

De onderzoekers gebruikten een speciaal soort "speelgoeddoos": een diamant met een heel klein defectje erin (een stikstof-leegte). In dit defectje zitten 10 kleine magneetjes (spin-kwantum bits).

De "Hot" en "Cold" deeltjes: Ze maakten 9 van deze magneetjes "heet" (energiek) en 1 magneetje "koud".
De Regels: Ze lieten de magneetjes met elkaar praten (energie uitwisselen). Normaal gesproken zou de energie van de hete naar de koude magneet stromen, net als warme koffie die afkoelt.
De Klap: Het geheim zit in het meten. Elke keer als ze keken naar de magneetjes (een meting), gebeurde er iets vreemds: de tijdspijl verscheen. De meting maakte het proces onomkeerbaar. De energie vloot van warm naar koud, en de "chaos" (entropie) nam toe.

2. Het Probleem: Een Naai met een Naald

Het probleem is dat deze processen zo klein en willekeurig zijn dat het soms lijkt alsof de tijd terugloopt. Soms stroomt er per ongeluk een beetje energie van koud naar heet. Het is alsof je een munt opgooit: meestal valt hij op kop, maar soms op munt. Als je maar één keer kijkt, zie je misschien een "omgekeerde" gebeurtenis. Het is heel moeilijk om te zeggen: "Ah, dit is echt vooruit in de tijd!"

3. De Oplossing: De AI als Detective

Hier komt de machine learning (AI) om de hoek kijken. De onderzoekers gaven de computer duizenden films van deze magneetjes, maar ze vertelden de computer niet welke films vooruit en welke achteruit waren.

De Onbewuste Groepering (K-means): De computer kreeg de opdracht: "Sorteer deze films in twee stapels." Zonder dat iemand het zei, zag de computer patronen die voor ons onzichtbaar waren. Het scheidde de "vooruit"-films van de "achteruit"-films met een nauwkeurigheid van 90%. De AI zag de "stijl" van de tijdspijl, zelfs als de mens dat niet kon zien.
De Slimme Leraar (Neuraal Netwerk): Vervolgens gaven ze de computer de antwoorden (dit is vooruit, dit is achteruit) en lieten ze hem leren. Na wat oefening kon de computer met 92% zekerheid zeggen of een film vooruit of achteruit liep.
De Creatieve Kunstenaar (Diffusiemodel): Het meest indrukwekkende deel: ze lieten de computer een nieuw soort "kunst" maken. De AI keek naar de echte data en leerde de regels van de natuur. Vervolgens maakte de AI eigen films van magneetjes die nooit in het lab hadden bestaan. Maar deze nieuwe films volgden precies dezelfde regels: energie stroomde van warm naar koud en de chaos nam toe. De AI had de "ziel" van de tijdspijl begrepen en kon het nabootsen.

Waarom is dit belangrijk?

Stel je voor dat je een detective bent die een moord moet oplossen. Je hebt alleen een paar vingerafdrukken en een wazige foto. Een mens zou misschien zeggen: "Ik zie niets." Maar een slimme AI kan de vingerafdrukken analyseren en zeggen: "Dit is de dader."

In dit geval is de "dader" de tijdspijl.

Vroeger: We dachten dat we de tijdspijl alleen konden begrijpen met zware wiskunde en theorie.
Nu: We zien dat computers, door simpelweg naar data te kijken, de diepe wetten van de natuurkunde kunnen ontdekken, zelfs als die wetten verborgen zitten in ruis en chaos.

Samenvattend

De onderzoekers hebben bewezen dat als je naar een kwantumsysteem kijkt (meten), je een tijdspijl creëert. En het beste deel? Ze hebben een computer geleerd om die tijdspijl te zien, te herkennen en zelfs na te maken, zonder dat de computer ooit een les in natuurkunde had gevolgd. De computer leerde gewoon door te kijken, net als een kind dat leert wat "warm" en "koud" is door het te voelen.

Het is alsof je een AI hebt die de taal van de tijd spreekt, en die ons vertelt: "Kijk, hier gaat de tijd vooruit, en hier gaat hij achteruit," zelfs in de kleinste deeltjes van het universum.

Probleemstelling

Het fundamentele probleem dat dit onderzoek aanpakt, is de schijnbare paradox tussen de microscopische reversibiliteit van kwantummechanica en de macroscopische onomkeerbaarheid van de thermodynamica (de "pijl van de tijd").

Unitaire evolutie: Geïsoleerde kwantumsystemen evolueren volgens unitaire operatoren die de tijd-reversie-symmetrie behouden en de von Neumann-entropie constant houden.
De rol van meting: Hoewel projectieve metingen entropie produceren en de pijl van de tijd instellen, is het op microscopische schaal extreem moeilijk om deze asymmetrie te identificeren. Door stochastische fluctuaties kunnen "omgekeerde" gebeurtenissen (waarbij entropie lijkt af te nemen) statistisch mogelijk zijn, zij het zeldzaam.
De uitdaging: Het is een grote uitdaging om de ware tijdsrichting te onderscheiden van individuele evolutietrajectoires in de aanwezigheid van ruis en fluctuaties, zonder voorafgaande kennis van de onderliggende fysische wetten.

Methodologie

De auteurs combineren experimentele kwantumthermodynamica met geavanceerde machine learning-technieken.

1. Experimenteel Platform:

Systeem: Een programmeerbare kwantumprocessor gebaseerd op een stikstof-vacature (NV) centrum in een diamant.
Qubits: Het systeem bestaat uit 10 spin-qubits: één elektronspin (subsysteem A) en negen $^{13}$ C-kernspins (subsysteem B, de "bad").
Opstelling: Het experiment vindt plaats bij cryogene temperaturen (~7 K) in een extern magnetisch veld van ~495 Gauss.
Protocol:
- Forward-proces: De qubits worden voorbereid in thermische Gibbs-toestanden met verschillende temperaturen (elektronspin koud, kernspins heet). Het systeem ondergaat cycli van unitaire evolutie (uitwisselingsinteractie) gevolgd door projectieve metingen in de Pauli-Z-basis.
- Backward-proces: Het tijd-omgekeerde tegenhanger, waarbij de unitaire operatie $U^\dagger$ wordt gebruikt.
- Data: Omdat metingen destructief zijn, wordt een "state re-preparation" schema gebruikt: na elke meting wordt de toestand herberekend op basis van het resultaat om het volgende stapje te simuleren. Er werden 45.000 trajectoires verzameld voor zowel forward als backward processen.

2. Machine Learning Architecturen:
De auteurs gebruiken drie verschillende ML-modellen om de data te analyseren:

Ongeleerd leren (Unsupervised Clustering): Een k-means algoritme dat de trajectoires (weergegeven als $10 \times 5$ binaire matrices) in twee clusters verdeelt zonder gebruik te maken van labels (forward/backward).
Beheerd leren (Supervised Learning): Een Convolutional Neural Network (CNN) dat wordt getraind op gelabelde data om de tijdsrichting te classificeren.
Generatief Leren: Een Diffusion-based generative model dat wordt getraind om nieuwe, fysisch plausibele trajectoires te genereren die de statistische eigenschappen van de experimentele data nabootsen, zonder expliciete kennis van de Hamiltoniaan.

Belangrijkste Bijdragen

Autonome identificatie van de pijl van de tijd: Het aantonen dat ML-modellen de asymmetrie in kwantumthermodynamische trajectoires kunnen leren zonder voorafgaande kennis van de fysische wetten.
Validatie van de oorsprong: Het bewijzen dat de geïdentificeerde onomkeerbaarheid specifiek wordt veroorzaakt door projectieve metingen en niet door de unitaire dynamica zelf (gevalideerd door training op pure unitaire simulaties zonder metingen, waarbij de nauwkeurigheid daalt tot 50%).
Generatieve modellering: Het succesvol trainen van een diffusion-model dat de kernkarakteristieken van de pijl van de tijd (warmtestroom en entropieproductie) leert en reproduceert, puur op basis van ruwe experimentele data.

Resultaten

Klustering: Het onbeheerde k-means algoritme verdeelde de experimentele trajectoires succesvol in twee distincte clusters (forward vs. backward) met een nauwkeurigheid van 90,61%.
Classificatie: De CNN bereikte een classificatienauwkeurigheid van ongeveer 92% op de testset om de tijdsrichting te voorspellen.
Controle-experiment: Wanneer het CNN werd getraind op data van pure unitaire evolutie (zonder metingen, dus zonder pijl van de tijd), daalde de nauwkeurigheid naar de willekeurige-gok-basislijn van ~50%. Dit bevestigt dat de ML het effect van de meting heeft geleerd.
Generatief model: Het diffusion-model genereerde 90.000 synthetische trajectoires die:
- De verwachte warmtestroom van heet naar koud reproduceerden.
- De monotoon toenemende entropie in forward-trajectoires en de afnemende entropie in backward-trajectoires toonden.
- Een hoge fideliteit (~0,982) bereikten tussen de gegenereerde en experimentele toestanden.

Betekenis en Toekomstperspectief

Brug tussen AI en Kwantumthermodynamica: Dit werk vestigt machine learning als een krachtig instrument om onderliggende fysische processen (zoals entropieproductie en onomkeerbaarheid) bloot te leggen uit complexe, ruige experimentele data.
Schaalbaarheid: De methode is inherent schaalbaar en kan worden toegepast op grotere kwantumsystemen en open kwantumsystemen waar dissipatie en metingen samenwerken.
Fundamenteel inzicht: Het biedt een nieuwe manier om de overgang van microscopische reversibiliteit naar macroscopische onomkeerbaarheid te bestuderen, en opent de deur voor onderzoek naar de link tussen de pijl van de tijd en kwantumverstrengeling.

Kortom, het onderzoek demonstreert dat kunstmatige intelligentie in staat is om de fundamentele thermodynamische wetten die de tijdrichting bepalen, te "ontdekken" en te modelleren, zelfs in de aanwezigheid van de inherente willekeur van de kwantumwereld.