Une technique révolutionnaire d’apprentissage automatique prédit le comportement quantique
La théorie quantique à plusieurs corps(s’ouvre dans une nouvelle fenêtre) est le cadre conceptuel utilisé par les chercheurs pour comprendre le comportement des systèmes comprenant de nombreuses particules quantiques interagissantes, telles que les électrons dans les solides. Ces systèmes étant régis par les principes de la mécanique quantique, ils présentent des phénomènes complexes qui ne peuvent être compris en étudiant des particules individuelles isolément. «Le défi consiste à identifier les modèles et principes communs qui révèlent les aspects fondamentaux de la matière quantique, afin de mieux classer les phases et transitions quantiques», explique Markus Heyl(s’ouvre dans une nouvelle fenêtre) de l’université d’Augsbourg. Une meilleure compréhension de ces phases et transitions pourrait avoir des implications technologiques importantes. Le projet mlQuDyn(s’ouvre dans une nouvelle fenêtre), financé par le Conseil européen de la recherche(s’ouvre dans une nouvelle fenêtre) et coordonné par Markus Heyl, a innové en matière de méthodes d’apprentissage automatique puissantes afin de développer une description théorique avancée de la matière quantique, avec des prédictions impossibles à obtenir à l’aide des méthodes théoriques conventionnelles. «En entraînant des réseaux neuronaux à approximer les fonctions d’onde quantiques et les états évoluant dans le temps, nous avons réussi à résoudre certains des problèmes les plus complexes de la physique quantique, qui étaient auparavant difficiles à simuler en raison de leur complexité sous-jacente», explique Markus Heyl.
Des réseaux neuronaux révolutionnaires capturent la dynamique quantique
Cette initiative a bénéficié des connaissances interdisciplinaires combinées de la théorie quantique, de la science des données et de l’apprentissage profond, tirant parti de la capacité de l’apprentissage automatique à représenter et à manipuler les phénomènes hautement complexes, abstraits et contre-intuitifs de la physique quantique. Le principal défi de la théorie quantique à plusieurs corps réside dans le fait que ce que l’on appelle «objet fondamental» d’un système quantique à plusieurs corps – la fonction d’onde – nécessite généralement des capacités de stockage dépassant l’ensemble de l’espace disque dur disponible sur Terre. Dans mlQuDyn, ce défi est relevé en compressant les informations de la fonction d’onde dans un réseau neuronal artificiel. Cela s’appuyait sur l’invention révolutionnaire de l’équipe, une technique d’apprentissage automatique appelée «reconfiguration stochastique à pas minimum» (minSR), qui entraîne les réseaux neuronaux artificiels sous-jacents à un niveau sans précédent. «Notre approche totalement nouvelle a révolutionné le domaine, surmontant étonnamment facilement les limites traditionnelles, afin d’offrir des simulations plus précises et plus efficaces et de renforcer le pouvoir prédictif de la théorie quantique», explique Markus Heyl. «Ce qui est révolutionnaire dans notre réalisation compacte et évolutive, c’est qu’elle rend pour la première fois théoriquement accessibles les représentations 2D de systèmes quantiques complexes à plusieurs corps.»
Deux résultats révolutionnaires
Tout d’abord, grâce à la minSR, l’équipe a exploré la matière quantique complexe dans des situations physiques jusqu’alors inaccessibles, y compris certains des aimants quantiques les plus complexes connus sous le nom d’aimants quantiques frustrés(s’ouvre dans une nouvelle fenêtre), avec un niveau de détail sans précédent. Deuxièmement, l’équipe a réalisé la toute première étude détaillée de l’une des principales prédictions dynamiques de la théorie quantique, connue sous le nom de mécanisme de Kibble-Zurek(s’ouvre dans une nouvelle fenêtre): introduite en cosmologie pour expliquer la formation de l’univers lors de son refroidissement après le Big Bang. Pour garantir la fiabilité et la précision, les simulations ont été appliquées avec succès à des phénomènes physiques connus et testées dans des régimes avec des points de référence bien établis, ce qui a permis de valider l’approche par rapport aux résultats théoriques et numériques existants.
Faire progresser les applications quantiques, avec des implications au-delà
En tant que projet de recherche fondamentale, mlQuDyn ouvre la voie à de futures applications technologiques avancées. «Nos avancées constituent une étape importante vers la création d’une boîte à outils polyvalente permettant d’explorer la dynamique quantique dans des systèmes jusqu’alors inaccessibles, ouvrant ainsi de nouvelles perspectives dans le domaine de la science quantique et de la découverte de nouveaux matériaux. Les résultats pourraient contribuer aux technologies actuellement en cours de développement, telles que la métrologie quantique, les simulations quantiques et l’informatique quantique», ajoute Markus Heyl. Les prochaines étapes consisteront à s’attaquer plus avant à la complexité de la matière quantique, connue sous le nom de systèmes électroniques fortement corrélés(s’ouvre dans une nouvelle fenêtre): l’un des problèmes les plus difficiles de la physique. Selon Markus Heyl, cela pourrait également avoir un impact sur des domaines au-delà de la théorie quantique, comme l’évolution en biophysique, notamment pour explorer comment des séquences génétiques complexes peuvent se former à partir de principes physiques simples.
