Longitudinal-Field-Driven Transition in a non-integrable Non-Hermitian Transverse-Field Ising Chain via RBMs
本文证明了基于受限玻尔兹曼机的实值神经量子态能够高效且准确地表征受纵向及复数横向磁场作用下的非可积、非厄米横场伊辛链的基态性质以及 PT 对称性破缺量子相变。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在量子物理学的微观世界中，科学家经常研究微小粒子（如原子或电子）如何相互作用以形成更大的结构。一种常见的建模方式是想象一串被称为“自旋”的小磁铁，它们可以指向不同的方向。在标准设置中，这些自旋受到一个向侧方推的磁场的影响，从而在有序与混沌之间展开一场拉锯战。这种简单的模型几十年来一直是物理学的基石，帮助研究人员理解材料如何改变其特性，例如变得具有磁性或超导性。然而，现实世界的系统很少如此简单。它们经常面临额外的力，比如一个从正面推过来的磁场，这使相互作用变得更加复杂，并使得数学求解变得极其困难。此外，许多现代实验涉及的系统并非完全孤立；它们会与周围环境交换能量，这种情况需要一种被称为“非厄米物理学”（non-Hermitian physics）的不同类型的数学描述。在这些系统中，能量级可以变成复数，导致出现一些奇怪的行为，即通常的对称性规则会发生破缺。理解这些复杂的、相互作用的系统如何表现是一个重大挑战，因为可能的状态数量增长得太快，以至于即使是最强大的超级计算机也难以跟上。
一个研究团队通过将一种新型计算工具应用于一个特定的难题，在解决这一谜题方面取得了显著进展。他们专注于一个受到侧向磁场和向前推磁场共同作用的量子自旋链，同时允许系统以受控的方式损失或获得能量。这种组合使得该系统既是“不可积的”（non-integrable），意味着它无法用标准的数学技巧来求解；又是“非厄米”的（non-Hermitian），意味着其能量特性比通常情况更为奇特。为了应对这一挑战，研究人员转向了人工智能，具体来说是一种被称为“受限玻尔兹曼机”（Restricted Boltzmann Machine）的神经网络。可以将这种网络想象成一个灵活的数字大脑，它通过不断调整内部设置来学习预测自旋最可能的排列方式。该网络并没有尝试一次性计算每一种可能性（这对于长链来说是不可能的），而是利用采样方法来探索最重要的构型，从而构建出系统基态（即其最低能量状态）的准确图像。
研究人员首先在小型链上测试了他们的方法，并将结果与精确的传统计算进行了对比。他们发现，他们的神经网络方法非常准确，能够高精度地重现能量级和磁特性。这种验证使他们有信心将模拟规模扩大到包含多达一百个自旋的大型链，而这种规模已经远远超出了传统精确计算方法的处理范围。随着他们增加系统规模并调整向前推磁场的强度，他们观察到了系统行为的明显变化。在磁场的某个特定临界值附近，系统发生了相变。在此点之前，系统保持着某种类型的对称性，但当磁场跨越阈值时，这种对称性发生了自发破缺。这种对称性的破缺伴随着磁有序的出现，即自旋在整个链条上沿特定方向排列。
这项工作的一个关键发现是识别了“例外点”（exceptional points）。这些是特殊的条件，在这些条件下，系统的能量级及其对应的状态会合并在一起，充当两种不同行为机制之间的边界。研究人员绘制了随着他们改变磁场强度，这些点如何出现和消失的图谱。他们发现，向前推的磁场与这些点之间存在复杂的关系：在某些情况下，增加磁场会使这些点存在的区域缩小，而在其他情况下，则会让它们扩大。这揭示了不同磁力之间的相互作用以及系统交换能量的能力，共同创造了一个无法通过更简单模型进行预测的丰富行为景观。通过使用他们的神经网络框架，该团队能够以一种对于如此大型的相互作用系统而言此前无法达到的细节水平，来追踪这些转变和由此产生的磁有序。
这项研究表明，神经网络不仅仅是识别图像或玩游戏的工具，它们正在成为探索量子物理前沿领域的强大引擎。通过成功模拟一个既具有相互作用又是非厄米的系统，研究人员提供了一种可扩展的方法，来研究此前无法触及的关键现象。他们的工作证实，即使在传统的对称性发生破缺且能量级变为复数的系统中，也可能找到相变和磁有序的清晰特征。这种方法为研究广泛的奇异量子材料和器件（如光学晶格或超导电路，其中类似的非厄米效应起着至关重要的作用）打开了大门。研究结果表明，机器学习与量子模拟的结合，为理解处于现代凝聚态物理核心的复杂多体世界提供了一条稳健的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。