Non-Abelian quantum Hall states at strong Landau level mixing: finding anyons with first-principles AI

In de vreemde wereld van de kwantumfysica gedragen deeltjes zich niet altijd als de solide objecten die we om ons heen zien. Soms gedragen ze zich meer als rimpelingen in een vijver, en wanneer veel van hen onder extreme omstandigheden met elkaar interageren, kunnen ze een nieuw soort materie vormen met eigen regels. Een van de meest fascinerende plekken waar dit gebeurt, is het fractionele kwantum Hall-effect, een staat van materie die verschijnt wanneer elektronen gevangen zitten in een platte laag en worden onderworpen aan een krachtig magnetisch veld. Onder deze omstandigheden organiseren de elektronen zichzelf in een hooggeordende, vloeistofachtige staat. Binnen deze vloeistof kunnen de elektronen zich gedragen alsof ze een fractie van hun gebruikelijke elektrische lading dragen, en ze kunnen exotische deeltjes vormen die anyonen worden genoemd. Deze anyonen zijn speciaal omdat het verwisselen van hun posities de toestand van het systeem niet slechts licht verandert; het verandert de kwantumtoestand van de hele groep fundamenteel op een manier die onmogelijk te herstellen is met eenvoudige metingen. Dit unieke gedrag maakt hen een belangrijke kandidaat voor het bouwen van de volgende generatie kwantumcomputers, die problemen zouden kunnen oplossen die momenteel onmogelijk zijn voor de machines van vandaag. Het is echter een decennialange puzzel om precies uit te vogelen welk type anyon in deze systemen bestaat, wat wordt bemoeilijkt door het feit dat de elektronen voortdurend tegen elkaar aan botsen op manieren die moeilijk te berekenen zijn.

Lange tijd hebben wetenschappers gestreden om de exacte aard van deze kwantumvloeistoffen te voorspellen, omdat de standaard rekenmethoden falen wanneer de elektronen te sterk met elkaar interageren. In veel experimentele opstellingen zijn de elektronen zo dicht opeengepakt en energierijk dat ze tussen verschillende energieniveaus springen, een fenomeen dat Landau-niveau menging wordt genoemd. Traditionele computermodellen negeren deze sprongen meestal of behandelen ze als een kleine, beheersbare fout, maar in werkelijkheid is deze menging vaak de dominante kracht die het systeem vormgeeft. Zonder rekening te houden met deze menging, hebben theorieën tegenstrijdige voorspellingen opgeleverd, waardoor onderzoekers er niet zeker van waren of de elektronen één specifieke soort topologische orde of een andere vormten. De vraag bleef meer dan dertig jaar onbeantwoord, waarbij verschillende experimenten naar verschillende antwoorden wezen en theoretische modellen er niet in slaagden het over de waarheid eens te worden.

Een team van onderzoekers aan het Massachusetts Institute of Technology heeft dit probleem nu aangepakt met een totaal andere aanpak: kunstmatige intelligentie. In plaats van de natuurkunde in een vereenvoudigde vergelijking te willen dwingen, trainden zij een neuraal netwerk — een type computerprogramma geïnspireerd door het menselijk brein — om het gedrag van de elektronen direct te leren van de fundamentele wetten van de natuur. Ze begonnen met de basisvergelijkingen die beschrijven hoe elektronen elkaar afstoten en bewegen in een magnetisch veld, zonder de computer te vertellen welk soort toestand het zou moeten vinden. Het neurale netwerk kreeg de vrijheid om de uitgestrekte landschappen van mogelijke elektronische rangschikkingen op eigen houtje te verkennen, waarbij het zocht naar de configuratie die de energie van het systeem minimaliseerde. Deze methode is krachtig omdat het niet leunt op menselijke gissingen of bestaande theorieën over hoe het antwoord eruit zou moeten zien; het laat de data simpelweg voor zich spreken.

De onderzoekers concentreerden zich op een specifiek scenario waarin de elektronen volledig gepolariseerd zijn in hun spin en een vulfactor van 3/2 bezetten. Dit betekent dat het laagste energieniveau volledig gevuld is en het volgende niveau halfvol is. In deze setting simuleerde het team een systeem met eenentwintig elektronen en ontdekte dat het neurale netwerk succesvol een stabiele, vloeistofachtige staat ontdekte. Wanneer zij de eigenschappen van deze staat analyseerden, vonden zij een specifieke signatuur van een niet-Abeliaanse topologische orde. Deze signatuur kwam tot uiting in de manier waarop de elektronen met elkaar verstrengeld waren, wat de aanwezigheid van anyonen onthulde met een specifieke wiskundige eigenschap die bekend staat als een kwantumdimensie van de wortel van twee. Deze waarde is het kenmerk van een bepaald type orde, de zogenaamde Ising-type, wat precies nodig is voor fouttolerante kwantumcomputing. De simulatie toonde aan dat deze staat robuust en stabiel is, zelfs wanneer de elektronen zeer sterk met elkaar interageren.

Om precies te bepalen welke versie van deze topologische orde de elektronen hadden gekozen, vergeleken de onderzoekers hun door AI ontdekte staat met verschillende concurrerende theorieën. Er waren drie belangrijke kandidaten voor de grondtoestand: de Moore-Read Pfaffian, de particle-hole conjugate daarvan bekend als de anti-Pfaffian, en een derde mogelijkheid genaamd de particle-hole Pfaffian. Door te berekenen hoe nauw de door de AI ontdekte oplossing overeenkwam met elk van deze theoretische modellen, vond het team een duidelijke winnaar. De staat die door het neurale netwerk werd ontdekt, vertoonde de grootste overlap met de anti-Pfaffian. Dit resultaat is significant omdat het suggereert dat wanneer de Landau-niveau menging sterk is, het systeem van nature de voorkeur geeft aan de anti-Pfaffian-orde boven de andere. De studie sloot de particle-hole Pfaffian expliciet uit als een levensvatbare kandidaat voor de grondtoestand in dit regime, aangezien de overlap met dat model zeer klein bleef, ongeacht de sterkte van de interacties.

De kracht van deze aanpak ligt in het vermogen om de volledige complexiteit van het probleem aan te pakken zonder de natuurkunde te vereenvoudigen. Eerdere studies moesten hun berekeningen beperken tot slechts één of twee energieniveaus of de menging tussen niveaus behandelen als een kleine correctie. Deze nieuwe methode omvatte alle elektronen en alle energieniveaus in de simulatie, waardoor het volledige effect van de sterke interacties werd gevangen. De onderzoekers verifieerden hun bevindingen door de energie van het systeem te controleren en te vergelijken met oudere, meer beperkte berekeningen, waarbij zij vaststelden dat hun AI-model consequent lagere, nauwkeurigere energieën produceerde. Zij observeerden ook dat naarmate de sterkte van de menging toenam, de elektronen zichzelf gingen herverdelen over hogere energieniveaus, een detail dat oudere modellen volledig misten.

Dit werk biedt een directe oplossing vanuit de eerste beginselen voor een probleem dat de theoretische beschrijving decennialang heeft weerstaan. Het demonstreert dat kunstmatige intelligentie kan worden gebruikt om de verborgen regels van kwantummaterie te ontdekken, door patronen te vinden die te complex zijn voor traditionele wiskunde om te ontsluieren. De bevindingen zijn bijzonder relevant voor recente experimenten in materialen zoals monolagen wolfraamdiselenide en zinkoxide, waar vergelijkbare sterke mengingseffecten worden waargenomen. In deze materialen maakt de zware massa van de elektronen de menging tussen energieniveaus onvermijdelijk, wat een perfecte omgeving creëert voor het type niet-Abeliaanse orde dat de onderzoekers hebben geïdentificeerd. Door aan te tonen dat de anti-Pfaffian-staat de waarschijnlijke grondtoestand is onder deze omstandigheden, biedt de studie een concreet doel voor experimentatoren om te verifiëren en helpt het de weg te verhelderen naar het bouwen van praktische topologische kwantumcomputers. Het onderzoek bevestigt dat wanneer elektronen de ruimte krijgen om volledig en zonder kunstmatige beperkingen te interageren, ze neerkomen op een specifieke, hooggeordende staat die de sleutel vormt tot een nieuw tijdperk van kwantumtechnologie.