← 最新论文
🔬 凝聚态物理

Learning Quantum Hamiltonians from the Dynamical Structure Factor

本文提出了一种鲁棒的框架,通过利用动力学结构因子的低阶谱矩与其微观耦合之间的关系,实现从动力学结构因子中高效重构量子哈密顿量,从而为中子散射实验提供具有直接应用价值的实用方案。

原作者: Nisarga Paul, Thomas Schuster, Jason Alicea

发布于 2026-11-13
📖 1 分钟阅读☕ 轻松阅读

原作者: Nisarga Paul, Thomas Schuster, Jason Alicea

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

我们触摸到的每一种材料,从充电器中的铜线到智能手机的屏幕,都是由原子构成的,这些原子以复杂的方式相互作用。理解这些材料的核心在于一个被称为“哈密顿量”(Hamiltonian)的单一数学对象。可以将它想象成材料的“规则手册”,这是一套指令集,规定了其中每一个微小粒子如何推挤、拉拽并影响其邻居。如果科学家能够正确编写这本规则手册,他们就能预测材料的行为,设计具有特定属性的新物质,或者验证量子计算机是否按预期运行。几十年来,挑战一直在于当面对来自现实世界实验的杂乱、多噪数据时,如何阅读这本规则手册。

困难之处在于,这本规则手册是隐藏的。科学家可以测量材料对外部探测(如磁场或中子束)的响应,但将这些响应转化回底层的规则,就像试图仅通过品尝一口蛋糕屑来猜出蛋糕的配料一样。在许多情况下,从味道回到配方的数学路径如此错综复杂,以至于看起来无法解决,或者至少计算成本极高,以至于即使是针对一小块物质,超级计算机也需要花费数年时间才能找到答案。这一瓶颈减缓了设计新型量子材料和校准下一代量子设备的进程。

加州理工学院和谷歌量子人工智能(Google Quantum AI)的研究团队现在展示了一种绕过这一计算壁垒的方法。他们专注于一种被称为“动力学结构因子”(dynamical structure factor)的特定类型实验数据,这种数据捕捉了能量和磁性随时间在材料中传播的方式。物理学家经常使用中子散射收集这类数据——通过向样品发射中子束来观察其散射情况——或者使用模拟复杂行为的量子模拟器。研究人员提出了一个根本性的问题:这类单一类型的数据是否包含足够的信息来重构整个材料的规则手册?

研究人员发现,答案是肯定的,但前提是必须知道如何去观察。虽然原始数据看起来可能并不充分,但研究人员证明,其中蕴含着可以在无需模拟整个系统的情况下被解锁的隐藏模式。他们开发了三种不同的方法,或称之为“协议”,用于从数据中提取规则手册,每种方法都针对不同的实验条件进行了定制。第一种方法在材料被加热到高温时效果最好。在这种状态下,粒子之间复杂的相互作用会以一种可预测的方式简化,使得研究人员可以将问题视为一个简单的代数谜题。通过在多个高温下测量材料,他们可以通过解出一组简单的方程组来提取规则手册。

第二种方法是在降低温度的同时提高磁场强度。当材料处于极强磁场中时,其粒子会沿特定方向排列,这同样简化了底层的物理过程。研究人员表明,通过在这些强磁场下测量材料,他们可以使用类似的代数方法来揭示隐藏的规则。这对于那些难以在高温度下研究的材料,或者可以被外部场轻易极化的量子模拟器来说特别有用。

第三种方法最为通用,因为它在任何温度下都有效,且不需要极强的磁场。它依赖于物理学的一个基本原理,即系统自然波动的方式与其耗散能量的方式之间的联系。通过将这一原理应用于实验数据,研究人员可以建立一个直接的线性方程,从而瞬间揭示规则手册。这种方法非常强大,因为它避免了对高温或强磁场的需求,使其适用于更广泛的材料和实验设置。

为了测试他们的想法,研究人员在各种量子磁体模型上进行了广泛的模拟,包括涉及多达 27 个不同参数的复杂相互作用模型。他们发现,他们的方法具有极强的鲁棒性,即使在实验数据存在噪声或不完美的情况下,也能成功恢复正确的规则手册。在许多情况下,他们预测的误差小于 1%,这一精度足以媲美甚至超过现有技术。他们还证明,即使在实验数据有限的情况下(例如只能获得某些类型的测量数据,这在现实实验室中很常见),该方法依然有效。

这项工作的重大发现之一是,学习规则手册的问题并不像曾经看起来那样令人绝望。虽然某些特定的、具有高度对称性的案例可能无法进行唯一求解,但研究人员表明,对于绝大多数现实材料而言,数据是足够的。他们证明了实验测量与底层规则之间的关系并非混乱的堆砌,而是一个可以被高效拆解的有结构系统。这意味着科学家不需要依赖缓慢的迭代猜测游戏或昂贵的超级计算机模拟来理解他们的材料。相反,他们可以使用这些新协议,直接从现有的数据中读取规则手册。

这项工作对未来的材料科学具有深远的影响。通过提供一种直接、可扩展且稳健的方法来学习量子系统的微观规则,这项工作为验证量子技术和设计新型材料提供了新工具。它表明,理解复杂量子物质的路径并不需要等待更强大的计算机,而是需要更聪明的方法来解释我们已经收集到的数据。随着量子实验变得越来越精密,并且能够以更高的精度测量这些动力学特性,这些方法可能会成为解锁量子世界奥秘的标准,将自然的无形规则转化为清晰且可操作的探索指南。

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。

试用 Digest →