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

No cerne de como compreendemos o universo reside um desafio único e obstinado: prever como partículas minúsculas, como os elétrons, se movem e se estabelecem ao redor dos átomos. No mundo do muito pequeno, as partículas não seguem os caminhos suaves e previsíveis de planetas ou bolas de beisebol. Em vez disso, elas existem como ondas de probabilidade, descritas por uma regra matemática conhecida como equação de Schrödinger. Esta regra nos diz exatamente onde uma partícula provavelmente será encontrada e quanta energia ela possui, mas resolvê-la é notoriamente difícil. Para situações simples e idealizadas, os cientistas conhecem as respostas há quase um século. Mas para os sistemas complexos e desordenados que compõem a matéria real, as equações tornam-se tão emaranhadas que até mesmo os supercomputadores mais poderosos lutam para encontrar uma solução. É aqui que uma nova geração de ferramentas está entrando em cena, emprestando ideias da inteligência artificial para desembaraçar a física do mundo subatômico.

Pesquisadores no Paquistão e no México testaram recentemente duas dessas novas ferramentas em três problemas clássicos que servem como campo de treinamento para qualquer novo resolvedor. Eles queriam ver se um programa de computador padrão e um programa de computador quântico especializado poderiam ambos aprender a resolver a equação de Schrödinger sem serem alimentados com um único exemplo da resposta correta. Em vez de memorizar dados, esses programas foram ensinados diretamente pelas leis da física. Eles receberam as regras do jogo — a equação que governa o comportamento da partícula, o requisito de que a partícula deve existir em algum lugar no espaço e a regra de que diferentes estados de energia não podem se sobrepor — e foram solicitados a descobrir o resto. O objetivo era ver se essas redes "informadas pela física" poderiam encontrar os níveis de energia precisos e as formas de onda de uma partícula presa em uma caixa ou movendo-se em uma curva suave, correspondendo às respostas conhecidas com alta precisão.

A equipe concentrou-se em três cenários específicos que os físicos utilizam para testar seus métodos. O primeiro foi o oscilador harmônico, um modelo de uma partícula saltando de um lado para o outro em um vale suave e curvo. Este é um problema suave onde a forma da onda da partícula muda gradualmente. Em seguida, observaram o poço de potencial quadrado infinito, uma caixa com paredes tão altas que a partícula não pode escapar, forçando a onda a atingir o zero abruptamente nas bordas. Finalmente, examinaram o poço de potencial quadrado finito, uma caixa com paredes de altura limitada, permitindo que a partícula escape ligeiramente para a região proibida fora dela. Esses três casos cobrem uma ampla gama de dificuldades: curvas suaves, cantos agudos e o negócio complicado de partículas escapando de seu confinamento.

Para resolver isso, os pesquisadores construíram dois tipos diferentes de sistemas de aprendizado. O primeiro foi uma rede neural clássica, um programa de computador padrão projetado para imitar a maneira como os neurônios biológicos se conectam e disparam. O segundo foi uma rede neural quântica, que roda em um computador quântico simulado. Este segundo sistema utiliza as propriedades estranhas da mecânica quântica, como superposição e emaranhamento, para explorar um vasto panorama de possibilidades simultaneamente. Ambos os sistemas foram treinados usando uma pontuação composta que os penalizava por quebrar qualquer uma das regras físicas. Se a função de onda não satisfizesse a equação de Schrödinger, a pontuação aumentava. Se a onda não coubesse dentro da caixa ou se dois estados de energia diferentes parecessem muito semelhantes, a pontuação aumentava. Os sistemas ajustaram suas configurações internas ao longo de milhares de tentativas para baixar essa pontuação, efetivamente ensinando a si mesmos a solução.

Os resultados mostraram que ambos os métodos funcionaram de forma notável. Para o oscilador harmônico suave, tanto a rede clássica quanto a quântica encontraram os níveis de energia dos quatro primeiros estados com um erro tão pequeno que equivale a algumas partes por milhão. Eles reproduziram as formas de onda exatas quase perfeitamente, correspondendo às soluções matemáticas conhecidas. Quando os pesquisadores passaram para os poços quadrados, onde as paredes são agudas e a física é mais abrupta, as redes ainda performaram com alta fidelidade. Elas recuperaram os níveis de energia e as funções de onda corretos mesmo onde o potencial mudava instantaneamente, uma tarefa que frequentemente atrapalha os métodos numéricos tradicionais que dependem da divisão do espaço em uma grade rígida.

Uma diferença fundamental surgiu quando os pesquisadores observaram os estados de maior energia, que são mais difíceis. À medida que as partículas ficavam mais excitadas, movendo-se para estados com padrões de onda mais complexos, a rede clássica começou a ter dificuldades. Ela encontrou maior dificuldade para navegar no complexo panorama de possibilidades para encontrar a melhor solução, muitas vezes ficando presa em erros locais. A rede quântica, no entanto, lidou com esses estados mais altos de forma mais confiável. Como o circuito quântico pode explorar uma gama contínua de transformações através de todo o seu sistema, ele manteve sua capacidade de encontrar a solução correta mesmo conforme o problema se tornava mais intrincado. Isso sugere que, embora os computadores clássicos possam resolver problemas quânticos simples com grande precisão, os sistemas quânticos podem deter uma vantagem distinta à medida que a complexidade do sistema físico aumenta.

O estudo confirma que essas abordagens informadas pela física são uma forma viável de resolver problemas quânticos sem a necessidade de quantidades massivas de dados pré-calculados. Ao incorporar as leis da física diretamente no processo de aprendizado, as redes evitam a necessidade das grades rígidas que os métodos tradicionais exigem, tornando-as naturalmente adequadas para problemas onde o espaço é difícil de ser dividido nitidamente. Embora os testes atuais tenham sido limitados a sistemas unidimensionais com respostas conhecidas, o sucesso de ambas as versões, clássica e quântica, aponta para um futuro onde essas ferramentas podem enfrentar os sistemas multidimensionais complexos encontrados em materiais e moléculas reais. A abordagem quântica, em particular, mostrou uma robustez que indica uma capacidade crescente de lidar com os cálculos mais desafiadores da física quântica, oferecendo um novo caminho para a compreensão dos blocos de construção da natureza.