Una técnica de aprendizaje automático revolucionaria predice el comportamiento cuántico
La teoría cuántica de los muchos cuerpos(se abrirá en una nueva ventana) es el marco conceptual que utilizan los investigadores para comprender el comportamiento de los sistemas que comprenden muchas partículas cuánticas que interactúan, como los electrones en los sólidos. Como estos sistemas se rigen por los principios de la mecánica cuántica, exhiben fenómenos complejos que no pueden comprenderse estudiando las partículas individuales de forma aislada. «El desafío consiste en identificar patrones y principios comunes que revelen los aspectos fundamentales de la materia cuántica, lo que nos permitirá clasificar mejor las fases y transiciones cuánticas», explica Markus Heyl(se abrirá en una nueva ventana) de la Universidad de Augsburgo. Una mejor comprensión de dichas fases y transiciones podría tener implicaciones tecnológicas significativas. El equipo del proyecto mlQuDyn(se abrirá en una nueva ventana), financiado por el Consejo Europeo de Investigación(se abrirá en una nueva ventana) y coordinado por Heyl, innovó en potentes métodos de aprendizaje automático para desarrollar una descripción teórica avanzada de la materia cuántica, con predicciones inalcanzables con métodos teóricos convencionales. «Al entrenar las redes neuronales para aproximar funciones de onda cuánticas y estados que evolucionan con el tiempo, abordamos con éxito algunos de los problemas más desafiantes de la física cuántica, que antes eran difíciles de simular debido a su complejidad subyacente», dice Heyl.
Redes neuronales revolucionarias que capturan la dinámica cuántica
La iniciativa se benefició de las perspectivas interdisciplinarias combinadas de la teoría cuántica, la ciencia de datos y el aprendizaje profundo, aprovechando la capacidad del aprendizaje automático para representar y manipular los fenómenos altamente complejos, abstractos y contraintuitivos de la física cuántica. El principal reto de la teoría cuántica de los muchos cuerpos es que el llamado «objeto fundamental» de un sistema cuántico de los muchos cuerpos —la función de onda— normalmente requiere capacidades de almacenamiento que superan todo el espacio disponible en los discos duros de la Tierra. En mlQuDyn, este reto se aborda comprimiendo la información de la función de onda en una red neuronal artificial. Esto se basó en la innovadora invención del equipo de una técnica de aprendizaje automático llamada «reconfiguración estocástica de paso mínimo» (minSR), que entrena las redes neuronales artificiales subyacentes a un nivel sin precedentes. «Nuestro método completamente nuevo ha revolucionado el campo, superando las limitaciones tradicionales con sorprendente facilidad, para ofrecer simulaciones más precisas y eficientes y potenciar la capacidad predictiva de la teoría cuántica», explica Heyl. «Lo innovador de nuestro logro compacto y escalable es que hace que las representaciones 2D de sistemas cuánticos complejos de muchos cuerpos sean teóricamente accesibles por primera vez».
Dos hallazgos revolucionarios
En primer lugar, gracias a minSR el equipo exploró la materia cuántica compleja en situaciones físicas hasta ahora inaccesibles, incluidos algunos de los imanes cuánticos más desafiantes conocidos como imanes cuánticos frustrados(se abrirá en una nueva ventana), con un detalle sin precedentes. En segundo lugar, el equipo logró el primer estudio detallado de una de las predicciones dinámicas clave en la teoría cuántica, conocida como el mecanismo de Kibble-Zurek(se abrirá en una nueva ventana), introducido en cosmología para explicar la formación del universo mientras se enfriaba después de la Gran Explosión. Para garantizar la fiabilidad y la precisión, las simulaciones se introdujeron con éxito en fenómenos físicos conocidos y se probaron en regímenes con puntos de referencia bien establecidos, lo que dio como resultado la validación del método con respecto a los resultados teóricos y numéricos existentes.
Impulsar las aplicaciones cuánticas, con implicaciones que van más allá
Como proyecto de investigación fundamental, en mlQuDyn se abre el camino hacia futuras aplicaciones tecnológicas avanzadas. «Nuestros avances representan un paso clave hacia un conjunto de herramientas versátil para explorar la dinámica cuántica en sistemas previamente inaccesibles, lo que abre nuevas vías en la ciencia cuántica y el descubrimiento de materiales. Los resultados podrían contribuir a tecnologías actualmente en desarrollo, como la metrología cuántica, las simulaciones cuánticas y la computación cuántica», añade Heyl. Los próximos pasos implicarán abordar aún más la complejidad dentro de la materia cuántica conocida como sistemas electrónicos fuertemente correlacionados(se abrirá en una nueva ventana), uno de los problemas más desafiantes de la física. Según Heyl, también tiene el potencial de impactar campos más allá de la teoría cuántica, como la evolución en biofísica, especialmente para explorar cómo se pueden formar secuenciaciones genéticas complejas basadas en principios físicos simples.
