• Sex. Nov 8th, 2024

Feijoada Politica

Notícias

Novo benchmark ajuda a resolver os problemas quânticos mais difíceis

Byadmin

Out 18, 2024
(© Imagem: Depositphotos)

Prever o comportamento de muitas partículas quânticas em interação é um processo complicado, mas é fundamental para aproveitar a computação quântica para aplicações do mundo real. Uma colaboração de pesquisadores liderada pela EPFL desenvolveu um método para comparar algoritmos quânticos e identificar quais problemas quânticos são mais difíceis de resolver.

De partículas subatômicas a moléculas complexas, os sistemas quânticos são a chave para a compreensão de como o universo funciona. Mas há um porém: quando você tenta modelar esses sistemas, essa complexidade rapidamente fica fora de controle – imagine tentar prever o comportamento de uma enorme multidão de pessoas onde todos estão constantemente influenciando todos os outros. Transforme essas pessoas em partículas quânticas e você estará enfrentando um “problema quântico de muitos corpos”.

Problemas quânticos de muitos corpos são esforços para prever o comportamento de um grande número de partículas quânticas em interação. Resolvê-los pode desbloquear enormes avanços em campos como a química e a ciência dos materiais, e até mesmo impulsionar o desenvolvimento de novas tecnologias, como os computadores quânticos.

Mas quanto mais partículas você adiciona à mistura, mais difícil fica modelar seu comportamento, especialmente quando você procura o estado fundamental, ou estado de energia mais baixo, do sistema. Isto é importante porque o estado fundamental informa aos cientistas quais materiais serão estáveis ​​e podem até revelar fases exóticas como a supercondutividade.

Para cada problema, uma solução: mas qual?

Durante anos, os cientistas confiaram em uma combinação de métodos como simulações quânticas de Monte Carlo e redes de tensores (funções de onda variacionais) para aproximar soluções para esses problemas. Cada método tem seus pontos fortes e fracos, mas é difícil saber qual deles funciona melhor para cada problema. E até agora, não houve uma forma universal de comparar a sua precisão.

Uma grande colaboração de cientistas, liderada por Giuseppe Carleo da EPFL, desenvolveu agora um novo padrão de referência chamado “V-score” para resolver este problema. O V-score (“V” de “Precisão Variacional”) oferece uma maneira consistente de comparar o desempenho de diferentes métodos quânticos no mesmo problema. A pontuação V pode ser usada para identificar os sistemas quânticos mais difíceis de resolver, onde os métodos computacionais atuais enfrentam dificuldades e onde métodos futuros – como a computação quântica – podem oferecer uma vantagem.

O método inovador é publicado em Ciência.

Como funciona o V-score

O V-score é calculado usando duas informações importantes: a energia de um sistema quântico e o quanto essa energia flutua. Idealmente, quanto menor a energia e menores as flutuações, mais precisa será a solução. O V-score combina esses dois fatores em um único número, tornando mais fácil classificar diferentes métodos com base em quão próximos eles chegam da solução exata.

Para criar o V-score, a equipe compilou o mais extenso conjunto de dados de problemas quânticos de muitos corpos até o momento. Eles realizaram simulações em uma variedade de sistemas quânticos, desde simples cadeias de partículas até sistemas complexos e frustrados, que são notórios por sua dificuldade. O benchmark não só mostrou quais métodos funcionavam melhor para problemas específicos, mas também destacou áreas onde a computação quântica poderia ter o maior impacto.

Resolvendo os problemas quânticos mais difíceis

Testando o V-score, os cientistas descobriram que alguns sistemas quânticos são muito mais fáceis de resolver do que outros. Por exemplo, sistemas unidimensionais, como cadeias de partículas, podem ser resolvidos com relativa facilidade usando métodos existentes, como redes de tensores. Mas sistemas mais complexos e de alta dimensão, como redes quânticas frustradas, têm pontuações V significativamente mais altas, sugerindo que esses problemas são muito mais difíceis de resolver com os métodos de computação clássicos atuais.

Os pesquisadores também descobriram que os métodos baseados em redes neurais e circuitos quânticos – duas técnicas promissoras para o futuro – tiveram um desempenho bastante bom, mesmo quando comparados com técnicas estabelecidas. O que isto significa é que, à medida que a tecnologia da computação quântica melhora, poderemos ser capazes de resolver alguns dos problemas quânticos mais difíceis que existem.

O V-score oferece aos pesquisadores uma ferramenta poderosa para medir o progresso na resolução de problemas quânticos, especialmente à medida que a computação quântica continua a se desenvolver. Ao identificar os problemas mais difíceis e as limitações dos métodos clássicos, o V-score poderia ajudar a direcionar futuros esforços de pesquisa. Por exemplo, as indústrias que dependem de simulações quânticas, como a farmacêutica ou a energia, poderiam utilizar estas informações para se concentrarem em problemas em que a computação quântica lhes poderia proporcionar uma vantagem competitiva.

Lista de contribuidores

  • Laboratório de Ciências Quânticas Computacionais da EPFL
  • Universidade Sorbonne
  • Universidade de Zurique
  • Universidade de Trieste
  • Instituto Flatiron
  • Instituto de Vetores
  • Universidade Goethe
  • Colégio da França
  • CNRS École Polytechnique
  • Universidade de Genebra
  • Universidade de Waterloo
  • Instituto de Pesquisa Física e Química Toyota
  • Universidade Waseda
  • Universidade Sofia
  • Instituto Paul Scherrer (PSI)
  • Universidade de Zurique
  • IBM Quantum
  • Universidade de Columbia
  • Universidade de Nova York
  • Universidade Keio
  • Universidade Paris-Saclay
  • Universidade de Tóquio
  • Universidade da Califórnia Irvine
  • Escola Internacional de Estudos Avançados (SISSA)
  • Politécnico de Torino
  • Instituto Max Planck
  • Universidade da Academia Chinesa de Ciências
  • Colégio de William e Mary

Referências

Dian Wu, Riccardo Rossi, Filippo Vicentini, Nikita Astrakhantsev, Federico Becca, Xiaodong Cao, Juan Carrasquilla, Francesco Ferrari, Antoine Georges, Mohamed Hibat-Allah, Masatoshi Imada, Andreas M. Läuchli, Guglielmo Mazzola, Antonio Mezzacapo, Andrew Millis, Javier Robledo Moreno, Titus Neupert, Yusuke Nomura, Jannes Nys, Olivier Parcollet, Rico Pohle, Imelda Romero, Michael Schmid, J. Maxwell Silvester, Sandro Sorella, Luca F. Tocchio, Lei Wang, Steven R. White, Alexander Wietek, Qi Yang , Yiqi Yang, Shiwei Zhang e Giuseppe Carleo. Referências variacionais para problemas quânticos de muitos corpos. Ciência 17 de outubro de 2024. DOI: 10.1126/science.adg9774

Source

By admin

Deixe um comentário

O seu endereço de email não será publicado. Campos obrigatórios marcados com *