இயந்திர கற்றலைப் பயன்படுத்தி குவாண்டம் சுழல் திரவங்களை மாதிரியாக்க  முடியுமா?

ஒரு குவாண்டம் பொருளின் சிக்கலான மற்றும் கவர்ச்சியான நிலையின் பண்புகளை ஒரு RIKEN ஆராய்ச்சியாளர்களால் உருவாக்கப்பட்ட இயந்திர கற்றல் முறையைப் பயன்படுத்தி கணிக்க முடியும். இந்த முன்னேற்றம் எதிர்கால குவாண்டம் கணினிகளின் வளர்ச்சிக்கு உதவும்.

இரண்டு சமமான நல்ல அல்லது கெட்ட விருப்பங்களைத் தேர்ந்தெடுக்கும் வேதனையான சவாலை நாம் அனைவரும் நம் வாழ்க்கையில் எதிர்கொண்டிருப்போம். ஒரு சிறப்பு வகை குவாண்டம் அமைப்பில் இரண்டு போட்டியிடும் சக்திகளை உணரும்போது இந்த ஏமாற்றம் அடிப்படைத் துகள்களாலும் உணரப்படுகிறது.

சில காந்தங்களில், ஒரு துகள் சுழலும் அச்சாக காட்சிப்படுத்தப்பட்ட துகள் சுழல்கள் அனைத்தும் சீரமைக்க கட்டாயப்படுத்தப்படுகின்றன. அவை, திசையில் மாறி மாறி வர வேண்டும். ஆனால் குறைந்த எண்ணிக்கையிலான பொருட்களில், சீரமைக்க அல்லது எதிர்-சீரமைப்பதற்கான இந்த போக்குகள் போட்டியிடுகின்றன. இது விரக்தியடைந்த காந்தவியல் என்று அழைக்கப்படுவதற்கு வழிவகுக்கிறது. இந்த விரக்தியின் அர்த்தம், ஒருவர் நிலைத்தன்மையை எதிர்பார்க்கும் முழுமையான பூஜ்ஜிய வெப்பநிலையில் கூட, திசைகளுக்கு இடையே சுழல் ஏற்ற இறக்கமாக இருக்கும். இது குவாண்டம் ஸ்பின் திரவம் எனப்படும் பொருளின் கவர்ச்சியான நிலையை உருவாக்குகிறது.

“குவாண்டம் சுழல்களின் இந்த புதிரான மற்றும் அசாதாரணமான ‘திரவ’ நிலை, ஒரு சாதாரண ‘திட’-நிலை அமைப்பிலிருந்து வேறுபடும் தனித்துவமான குவாண்டம் சிக்கல் பண்புகளைக் கொண்டிருக்கும் என்று எதிர்பார்க்கப்படுகிறது,” என்று RIKEN சென்டர் ஃபார் எமர்ஜென்ட் மேட்டர் சயின்ஸின் யூசுகே நோமுரா விளக்குகிறார். “மேலும் இந்த சிக்கல் பண்புகள் குவாண்டம் கணினிகளில் குவாண்டம் கணக்கீடுகளுக்கு பயனுள்ளதாக இருக்கும்.”

இருப்பினும், குவாண்டம் சுழல் திரவத்தை மாதிரியாக்குவது மிகவும் சவாலானது, ஏனெனில் அதன் குவாண்டம் நிலையை உருவாக்கும் ஒன்றோடொன்று சார்ந்த சுழல் உள்ளமைவுகளின் எண்ணிக்கை துகள்களின் எண்ணிக்கையுடன் அதிவேகமாக அதிகரிக்கிறது.

இப்போது, ​​நோமுரா மற்றும் அவர்களின் கூட்டுப்பணியாளர் குவாண்டம் பல-உடல் அமைப்புகளை மாதிரியாக்கக்கூடிய இயந்திர கற்றல் முறையை உருவாக்குவதன் மூலம் இந்த சிக்கலைச் சமாளித்தனர். விரக்தியடைந்த காந்தத்தில் ஒரு குவாண்டம் ஸ்பின் திரவ கட்டம் இருப்பதை இது வெளிப்படுத்தலாம். இதில் அடுத்த அருகிலுள்ள அண்டை சுழல்கள் அருகிலுள்ள அண்டை சுழல்களுக்கு இடையில் உள்ள வலிமையின் ஒரு குறிப்பிட்ட வரம்பிற்குள் தொடர்பு கொள்கின்றன.

“புதிதாக உருவாக்கப்பட்ட இயந்திர கற்றல் முறை இந்த சிக்கலான அமைப்புகளுடன் தொடர்புடைய சிரமத்தை சமாளித்தது” என்கிறார் நோமுரா. “இது இரு பரிமாண சுழல் அமைப்பில் குவாண்டம் சுழல் திரவத்தின் இருப்பை நிறுவியுள்ளது.”

உண்மையான பொருட்களில் குவாண்டம் ஸ்பின் திரவ நிலைகளை உணர்ந்து கொள்வதற்கான பயனுள்ள வழிகாட்டுதலை இந்த ஆய்வு வழங்குகிறது. ஆனால் இதில் ஒரு பரந்த செய்தி உள்ளது: இயற்பியலில் பெரும் சவால்களைத் தீர்ப்பதற்கான ஒரு கருவியாக இயந்திர கற்றலின் ஆற்றலை ஆராய்ச்சி எடுத்துக்காட்டுகிறது. “இயந்திர கற்றலை ஒரு புதுமையான கருவியாகப் பயன்படுத்துவதன் மூலம், இயற்பியலில் நீண்டகாலமாக இருந்து வந்த பிரச்சனையை, உதவியற்ற மனித மூளையால் தீர்க்க கடினமாக இருந்ததை நாங்கள் தீர்த்துள்ளோம்” என்கிறார் நோமுரா. “எதிர்காலத்தில், மனித மூளைக்கு கூடுதலாக ‘இயந்திர மூளை’ பயன்பாடு மற்ற தீர்க்கப்படாத பிரச்சனைகளுக்கு புதிய வெளிச்சத்தை ஏற்படுத்தும். இது இயற்பியலில் ஒரு புதிய ஆராய்ச்சியின் தொடக்கத்தைக் குறிக்கிறது.”

References:

• Carrasquilla, J. (2020). Machine learning for quantum matter. Advances in Physics: X, 5(1), 1797528.
• Zhang, Y., Melko, R. G., & Kim, E. A. (2017). Machine learning Z 2 quantum spin liquids with quasiparticle statistics. Physical Review B, 96(24), 245119.
• Greitemann, J., Liu, K., Jaubert, L. D., Yan, H., Shannon, N., & Pollet, L. (2019). Identification of emergent constraints and hidden order in frustrated magnets using tensorial kernel methods of machine learning. Physical Review B, 100(17), 174408.
• Von Lilienfeld, O. A. (2018). Quantum machine learning in chemical compound space. Angewandte Chemie International Edition, 57(16), 4164-4169.
• Carleo, G., Cirac, I., Cranmer, K., Daudet, L., Schuld, M., Tishby, N., & Zdeborová, L. (2019). Machine learning and the physical sciences. Reviews of Modern Physics, 91(4), 045002.