Spin Dynamics from Atomistic Quantum Simulations

本文利用 Kubo 线性响应理论与机器学习增强分子动力学建立了一个统一的理论框架，以准确预测固态自旋缺陷的自旋 - 晶格弛豫时间和退相干时间，并证明了金刚石中氮 - 空位（NV）中心的理论计算与实验测量结果高度吻合。

要点

想象一下，钻石内部有一个微小的发光缺陷，就像一粒灰尘，却充当着微观量子计算机的角色。科学家称之为“氮 - 空位（NV）中心”。它的特殊之处在于，即使环境变热，它也能长时间保存秘密（量子信息）。但存在一个问题：随着钻石升温，秘密开始泄露，量子计算机便停止工作。

长期以来，科学家对低温下这一现象的发生机制拥有详尽的“地图”，但在预测高温下的情况时却迷失了方向。本文构建了一张新的统一“地图”，其适用范围从室温一直延伸至极高温条件。

以下是他们如何做到的，通过日常类比进行解释：

1. 问题所在：“摇晃的桌子”

将 NV 中心想象成放在桌子上的旋转陀螺。

• 自旋：陀螺的旋转代表“量子态”。
• 晶格：桌子本身就是钻石晶体，由像果冻一样振动的原子构成。
• 热量：当你加热钻石时，桌子上的“果冻”开始剧烈晃动。

科学家们想知道：由于桌子在晃动，旋转的陀螺会以多快的速度倒下（失去能量）或开始不同步地摇晃（失去相干性）？

2. 旧工具与新工具

此前，科学家使用两种不同的工具来研究这一现象：

• 工具 A（低温地图）：适用于低温，但它假设桌子是刚性的，且仅以简单、可预测的方式移动。一旦情况变得炎热且混乱，该工具就会失效。
• 工具 B（高温猜测）：适用于高温，但它往往只是一种猜测或粗略的近似。

本文引入了一种新的统一框架（基于称为库博线性响应理论的理论）。这就像一种通用翻译器，无论桌子是几乎静止还是剧烈晃动，都能描述旋转陀螺的行为。它将能量损失和同步丧失视为同一枚硬币的两面：即陀螺试图平静下来，并与晃动桌子的节奏保持一致。

3. 超级计算机模拟

为了测试这张新地图，团队必须模拟钻石的晃动。

• 挑战：要获得准确答案，你需要观察数十亿个原子长时间的运动。使用传统超级计算机这样做，就像试图用慢动作相机拍摄飓风；耗时太长且成本过高。
• 解决方案：他们使用了机器学习（人工智能）。
  • 首先，他们训练一个人工智能（“神经网络”）来预测原子的运动，其学习依据是少量完美但昂贵的计算机计算结果。
  • 一旦人工智能掌握了规则，它就能以惊人的速度和精度模拟钻石晃动纳秒（这在量子世界中是漫长的时间）。
  • 他们还训练了第二个人工智能，来预测“旋转陀螺”（自旋）对晃动桌子的反应。

4. 实验：验证地图

团队不仅依赖计算机。他们进入实验室，实际测量了钻石中 NV 中心在不同温度（从 300 K 到 1000 K）下能保持其秘密的时间长度。

结果：
当他们将人工智能驱动的预测与真实的实验室测量结果进行比较时，数据几乎完美吻合。

• 在较低温度下：“陀螺”缓慢失去能量，遵循特定模式（如平缓的斜坡）。
• 在较高温度下：“陀螺”失去能量的速度快得多，遵循不同的模式（如陡峭的下降）。
• 新理论准确预测了行为发生改变的“交叉点”（约 500 K）。

5. 关于“噪声”的发现

本文还剖析了陀螺倒下的原因：

• 能量损失（T1）：这是因为陀螺与晃动的桌子交换能量。人工智能表明，这纯粹是关于陀螺在不同能级之间跳跃。
• 混乱（T2）：这是陀螺感到困惑并停止沿直线旋转的时候。团队发现，在高温下，主要罪魁祸首并非能量交换，而是“纯退相干”——桌子晃动得如此剧烈，以至于完全打乱了陀螺的节奏。

核心结论

本文提供了首个完整、准确的理论，解释了量子自旋在热固体中的行为。通过将坚实的数学理论与强大的人工智能模拟相结合，他们证明了可以精确预测量子系统在热环境中的持续时间，并与真实世界的实验完美匹配。这为科学家提供了一种可靠的工具，用于设计能在现实温暖环境中工作的更优质的量子传感器和计算机。

技术摘要

技术摘要：基于原子尺度量子模拟的自旋动力学

问题陈述
具有光学活性的固态自旋缺陷（例如金刚石中的氮 - 空位（NV）中心）是量子技术的有前景的平台。虽然利用同位素纯化样品在环境条件下已实现了创纪录的相干时间，但限制高温下相干性的物理过程仍知之甚少。现有的理论框架（如 Redfield 主方程和团簇关联展开（CCE））通常局限于低温区域，或依赖于近似处理（例如单声子和双声子过程、冻结晶格），无法捕捉高温预测所需的全非谐晶格动力学。因此，目前尚缺乏一个统一的理论框架来预测高温下的自旋弛豫时间（$T_1$和$T_2$）。

方法论
作者开发了一个统一的理论与计算框架，该框架基于 Kubo 线性响应理论（LRT），并结合了最先进的机器学习（ML）分子动力学（MD）。

1. 理论框架：在 Kubo LRT 框架内，作者推导了自旋 - 晶格弛豫时间（$T_1$）和退相干时间（$T_2$）随温度变化的一般表达式。这些表达式将弛豫速率与自旋 - 晶格耦合的时间相关函数联系起来。该形式体系将自旋弛豫处理为守恒量（自旋能量和横向磁化强度）在外部微扰下向平衡态回归的过程。
2. 机器学习加速：为了克服实现收敛所需的纳秒级轨迹和大超胞所必需的第一性原理（FP）计算带来的高昂计算成本，作者采用了以下方法：
   • MACE 机器学习原子间势（MLIP）：基于自旋极化 DFT/PBE 数据训练，用于近似势能面并生成 MD 轨迹。
   • 用于零场分裂（ZFS）的神经网络（NN）：一种消息传递等变图神经网络，经过训练可根据局部原子环境计算零场分裂（ZFS）张量。
3. 模拟协议：作者在 400 K 至 1000 K 的温度范围内，对包含多达 10,648 个原子的金刚石晶胞中的单个 NV 中心进行了纳秒级 MD 模拟。他们利用主动学习来优化训练数据集。从这些模拟生成的 ZFS 时间序列被用于评估 Kubo 表达式中的$T_1$和$T_2$。
4. 实验验证：作者在 300 K 至 400 K 的温度范围内测量了同位素纯化金刚石样品中 NV 中心的$T_1$，以与理论预测进行比较。

主要贡献

• 统一推导：本文在 Kubo LRT 框架内推导了$T_1$和$T_2$的表达式，将自旋 - 晶格弛豫和退相干的描述统一为对外部驱动场的响应，并通过平衡时间相关函数表达。
• 高温框架：该研究通过纳入所有声子过程和非谐性，将自旋弛豫分析扩展至高温（高达 1000 K），超越了以往方法（如 Redfield ME 和 CCE）的谐性近似和低温限制。
• 机器学习驱动的精度：通过将 ML 势能与用于 ZFS 张量的 NN 模型相结合，作者以极低的计算成本实现了从头算（ab-initio）精度，从而能够对收敛所需的大系统长时间尺度进行模拟。
• 机制分解：该工作明确将弛豫分解为 secular（纯退相干）和非 secular（布居数交换）贡献，阐明了它们在$T_1$和$T_2$中的各自作用。

结果

• 收敛性与验证：ML MD 方法针对态密度和声子色散关系与密度泛函微扰理论（DFPT）进行了基准测试，显示出极好的一致性。尽管由于 PBE 泛函的局限性导致绝对值存在微小偏移，但 ZFS 轴向系数（$D$）及其导数（$\partial D/\partial T$）的温度依赖性与实验发现高度吻合。
• 弛豫时间：
  • $T_1$（自旋 - 晶格）：计算得到的$T_1$值表现出强烈的温度依赖性，随温度升高而降低。结果在 400 K 和 500 K 下与实验测量值定量一致。数据在低温下（$T \leq 400$ K）遵循$T^{-5}$标度，在高温下（$T \geq 550$ K）过渡到$T^{-2}$标度，这与涉及自旋 - 单声子相互作用的拉曼过程一致。
  • $T_2$（退相干）：在没有磁噪声的情况下，退相干主要由纯退相干（secular 项）主导，而非布居数交换。在 500 K 时，计算得出的晶格诱导$T_2$为$414 \pm 87$ $\mu$s。当包含磁噪声（通过 CCE 计算）时，与 0 K 自然丰度情况相比，总$T_2$减少了 4 倍。
• 机制洞察：分析证实，$T_1$仅取决于非 secular 贡献（三重态子能级间的布居数交换），而$T_2$则受 secular（纯退相干）和非 secular 项的共同影响。傅里叶分解揭示，低频晶格振动显著影响 ZFS 张量的动力学。

意义
本文声称提供了首个结合 Kubo LRT 与 MD 模拟的高温 NV 中心相干特性研究。通过利用 ML 方法加速模拟，作者成功模拟了约 10,000 个原子的系统，捕捉到了传统 Redfield 或 CCE 方法在这些尺度上计算无法触及的非谐性和所有声子过程。数值预测与新实验数据之间的极好一致性验证了该框架。作者强调，这种方法不仅限于 ZFS 哈密顿量或特定缺陷；它是一个通用框架，适用于任何固态三重态色心、分子量子比特或具有同位素无序的系统，为高温应用量子材料的预测性设计提供了一条途径。