量子混沌:相互作用如何影响量子多体系统的局域化?

ead202b9711fd1a7720911407685454d.jpeg

导语

在量子系统中,相干性会打破单个粒子的遍历性,使之进入一种动态局域化状态。对于包含相互作用的量子多体系统,情况会是怎样呢?近日发表于 Nature Physics 的两项研究通过实验证明,相互作用会破坏量子多体系统的动态局域化,不过量子系统并不是产生经典的混沌行为,而是显示出亚线性的反常扩散,进入“量子混沌”。这些研究结果定量地阐明了多体量子混沌现象,对相互作用系统中的量子信息保护具有启示意义。

混沌,量子多体,局域化,凝聚态物理

来源:集智俱乐部

作者:Sonia Fernandez

译者:梁金

审校:陈关荣

编辑:邓一雪

近年来,量子力学在量子计算和量子信息等领域得到广泛应用,但理解和控制这些技术仍然充满挑战性。一个关键障碍是难以理解多个量子粒子如何相互作用。

1. 一种不同类型的混沌

最近,来自加州大学圣巴巴拉分校(UCSB)、马里兰大学和华盛顿大学的物理学家们解决了一个长期存在的物理学难题:粒子间相互作用如何影响动态局域化(dynamical localization)?

UCSB 实验物理学家 David Weld 的专长是超冷原子物理和量子模拟。他介绍说,“这是从凝聚态物理继承而来的老问题。”这个问题属于“多体”物理的范畴,它探究具有多个部分相互作用的量子系统的物理特性。

虽然多体问题几十年来一直处在研究和争论中,但由于这些系统的复杂性,及其量子叠加和纠缠行为,导致它们具有大量的可能性,不可能仅通过计算来解决。

33a135a14a7594654935b41dee94e970.jpeg

图1. Weld 实验室使用的实验装置。| 来源:Tony Mastres

幸运的是,使用超冷锂原子和激光实验可以有效地解决这个问题。那么,当相互作用被引入无序、混沌的量子系统时,会发生什么呢?

Weld 认为,会形成一种“奇异的量子态”。这是一种反常的状态,其性质在某种意义上介于经典预测和非相互作用的量子预测之间。这些物理学家的发现最近发表在《自然·物理》杂志上。

00c70b6f98a8d3d0e965601f355cec1a.jpeg

论文题目:

Interaction-driven breakdown of dynamical localization in a kicked quantum gas

论文地址:

https://www.nature.com/articles/s41567-022-01724-7#citeas 

2. 当相互作用引入量子多体系统

量子的世界从来不缺乏奇异的、反直觉的行为。考虑一个正常的单摆,它在受到周期性的作用力时,会如我们预期的那样运动。Weld 解释说:“如果我们每隔一段时间击打单摆,上下摇晃它,经典单摆会不断吸收能量,开始到处摆动,并在整个参数空间中混沌地漫游。”

量子系统中的混沌则截然不同。无序可能使粒子达到某种静止状态,而不是运动。而且,与经典单摆不同,被击打的量子单摆或者说“转子”最初可能会从击打中吸收能量,但在多次击打后,系统会停止吸收能量,动量分布不再变化,这就是所谓的动态局域化状态(dynamically localized state)。这种局域化类似于“肮脏”电子固体的行为,其中无序导致电子停止移动并局域化,使得固体从金属或导体(移动的电子)转变为绝缘体。

虽然这种局域化状态在单个、无相互作用粒子的环境下被研究了几十年,当一个无序系统包含多个相互作用电子时会发生什么呢?从几年前,马里兰大学的理论物理学家 Victor Galitski 到UCSB 访问 Weld 后,这样的问题和量子混沌的相关问题就一直萦绕在他们的脑海中。

Weld 回忆道:“Victor 提出的问题是,如果不是单纯的无相互作用的量子系统,由于干涉而保持稳定,而是有一堆这样的量子转子,它们全部可以碰撞和相互作用,会发生什么?局域化会持续存在,还是会被相互作用破坏?”

Galitski 说:“事实上,这是一个非常困难的问题,它涉及到统计力学的基础和遍历性这一基本概念。由于遍历性,大多数相互作用系统最终会热化到一个均匀状态。”

想象把冷牛奶倒进热咖啡里的情况。随着时间推移,通过相互作用,杯子里的粒子会自发形成一种均匀的平衡态,既不是单纯的热咖啡,也不是冷牛奶。此前人们一直预期,这种“热化”(thermalization)行为在所有相互作用的系统中都会发生;直到大约16年前,有人认为量子系统中的无序会导致多体局域化(many-body localization)。Galitski 说:“这种现象在今年早些时候被昂萨格奖*所认可,但很难从理论或实验上严格证明。”

译注:昂萨格奖(Lars Onsager Prize)是为纪念物理学家 Lars Onsager 而设立,表彰统计物理领域的贡献,2022年授予 Boris Altshuler,David A. Huse 和 Igor L. Aleiner 三位物理学家,认可他们“在多体局域化方面的基础工作,相关的相变,以及对热化和遍历性的影响”。该奖项此前曾授予 Leo Kadanoff,杨振宁,David J. Thouless, John M. Kosterlitz, Bertrand Halperin, Giorgio Parisi 等人。

ba128392b10d44c30383dd985d908425.jpeg

图2. 图像显示原子的动量分布随激光脉冲冲击次数的变化。(左)在非相互作用的简单情况下,前几次冲击加强非零动量状态,但随后的冲击不会进一步改变这种分布。实际上,动量分布是“冻结”的,表明动态局域化的出现。(右)加入相互作用后,由于粒子间的碰撞和散射,原子开始在动量状态之间漫游,导致随着冲击次数增多,图像变得更加模糊。这些散射事件影响整体动量分布的方式,帮助我们定量地理解相互作用如何影响动态局域化。

Weld 的团队拥有阐明这种情况所需的技术和专业知识。在他们的实验室里,一种由10万个超冷锂原子组成的气体悬浮在驻波光中,每个原子代表一个量子转子,可以受到激光脉冲的冲击。Weld 解释说:“我们可以使用一种叫做费什巴赫共振(Feshbach resonance)的工具来保持原子之间恍若隐形,或者也可以让它们具有任意强度的相互作用,彼此碰撞反弹。”只要转动一个旋钮,研究人员就可以让锂原子从整齐的成排舞蹈变成激烈的狂舞,并捕捉它们的行为。

正如预期的那样,当原子彼此不可见时,它们吸收激光的能量被冲击到某个点,之后便停止运动,停留在动态局域化状态,尽管不断受到激光冲击。但当研究人员启动相互作用时,不仅局域化状态减弱,而且系统从重复的冲击中吸收能量,模仿经典的混沌行为。然而,Weld 指出,虽然相互作用的无序量子系统在吸收能量,但它吸收能量的速度比经典系统要慢得多。

他说:“我们看到一种物质吸收能量,但不如经典系统那么高效。而且能量似乎是大致随着时间的平方根增长,而不是线性增长。所以相互作用并没有使它成为经典系统;它仍然是一种奇异的量子态,表现出反常的非定域性。”

0b14b5d20e90fdf2e8092ed8b01fb7b7.jpeg

图3. 对于三种散射波长,动能随激光脉冲冲击次数的变化。散射波长越长,原子间相互作用越强。可以看到,随着相互作用增强,动态局域化的破坏很明显。在无相互作用时(0a0),能量始终保持恒定。当相互作用增加到 240a0时,在冲击几百次之后,能量出现偏离;在相互作用增加到 760a0 时,能量持续增长。而且这种能量增长明显低于经典系统的扩散增长(如内嵌图中蓝色实线和三角形数据所示),被称为“反常扩散”。

3. 量子混沌

Weld 的团队使用一种叫做“回声”的技术,其中动态演化先是向前然后向后运行,以直接测量相互作用破坏时间可逆性的方式。这种时间可逆性的破坏是量子混沌(quantum chaos)的一个关键特征。

论文合作者、锂研究团队的研究生 Roshan Sajjad 说:“另一种思考方法是问这样的问题:一段时间后,系统对初始状态还有多少记忆?”在没有杂散光或气体碰撞等任何扰动的情况下,如果物理系统反向运行,系统应该能够回到初始状态。他说:“在我们的实验中,我们通过逆转冲击激光的相位来逆转时间,‘消除’前一次正常冲击的影响。吸引我们研究这个问题的部分原因是,对这种类型的相互作用系统,不同理论预测了不同行为,但从来没有人做过实验。”

“混沌的大致概念是,即使运动规律是时间可逆的,由于一个多粒子系统是如此复杂且对扰动敏感,它几乎不可能回到初始状态,”论文第一作者 Alec Cao 说。问题在于,在实际无序(局域化)状态下,相互作用在一定程度上破坏了局域化,使系统失去了时间反转的能力。Sajjad 补充说,“你可能会天真地认为,相互作用会破坏时间反转,但我们发现了更有趣的事情:一点点相互作用实际上就有帮助!这是这项研究中一个更令人惊讶的结果。”

358aa5a6620f6dd957666fc4123692a6.jpeg

图4. 相互作用诱导的离域化标志着向多体量子混沌的转变。向系统施加 5 次冲击,然后延迟半个周期再施加 5 次冲击。可以看到,在施加第二组冲击时,动量分布开始“反转”。如果哈密顿量完全逆转,在 10 次冲击之后,最终状态和初始状态应该相同,会再次观察到初始的 0 动量状态。但结果显示无法逆转相互作用能量,即相互作用破坏了时间反转。

Weld 和 Galitski 并不是唯一看到这种模糊量子态的人。华盛顿大学的物理学家 Subhadeep Gupta 和他的团队同时进行了一项补充实验,在一维情况下使用更重的原子得到了类似的结果。Gupta 的团队与德克萨斯大学达拉斯分校的理论物理学家 Chuanwei Zhang 及其团队合作,他们的研究结果一起发表在《自然·物理》杂志上。

ff92774536fc2720dbef2491825f22f2.jpeg

论文题目:

Many-body dynamical delocalization in a kicked one-dimensional ultracold gas

论文地址:

https://www.nature.com/articles/s41567-022-01721-w

Gupta 团队的实验是在一种非常艰难的物理环境下进行的,重25倍的原子只能在一维空间运动,但也测量到了周期性撞击产生的弱于线性的能量增长。

这些发现,就像许多重要的物理结果一样,开启了更多的问题,并为更多的量子混沌实验铺平了道路,使得经典物理和量子物理之间的联系可能被揭示。

Galitski 评论说:“Weld 的实验是第一次尝试在更可控的实验室环境中探测多体量子局域化的动态版本。尽管它没有明确地解决基本问题,但数据显示一些奇怪的事情在发生。”

Weld 追问道:“在凝聚态系统中多体局域化的大量工作背景下,我们要如何理解这些结果?如何描述这种物质状态?我们观察到系统在离域化,但不具有预期的线性时间依赖性;这是怎么回事?我们期待未来的实验能够探索这些和其他问题。”

本文翻译自:

A Different Kind of Chaos

https://www.news.ucsb.edu/2022/020723/different-kind-chaos

参考链接:

https://jqi.umd.edu/news/quantum-gases-keep-their-cool-prompting-new-mysteries

https://physicscommunity.nature.com/posts/interaction-driven-breakdown-of-dynamical-localization-in-a-kicked-quantum-gas

未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)大脑研究计划,构建互联网(城市)大脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。

  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”

cf425aab1a1ebff0d83e4dad644c3030.jpeg

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/481496.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

可能是全网最简明的量子纠缠科普

前两天有位朋友抱怨,说是看了很多学者关于量子纠缠的科普,但还是一头雾水,没有一个人真的讲明白的。我就上网搜了几个看。确实,大多数科普要么是光顾着讲爱因斯坦和波尔打嘴炮的历史了,不讲物理;要么讲着讲…

20-Joint entity and relation extraction based on a hybrid neural network(LSTM-ED+CNN),考虑长距离的实体标签之间的关

文章目录abstract1.introduction2.相关工作2.1. Named entity recognition2.2. Relation classification2.3 联合模型2.4. LSTM and CNN models On NLP3.模型3.1. Bidirectional LSTM encoding layer3.2. Named entity recognition (NER) module:LSTM decoder3.3. Relation cla…

牛津大学团队采用先进机器人技术,推动「人造肌腱」实际应用

你知道“肩袖撕裂”吗?它是肩关节炎疼痛的常见原因之一。作为肩袖撕裂损伤中最为常见的肌腱损伤,每年世界范围内的患者高达几千万人。该病痛给患者带来巨大疼痛,甚至导致肢体功能丧失,无法正常生活和工作,造成极大的家…

finetune与Bert

文章目录一:过拟合1.1 直接finetune1.2 layer finetune1.3ULMFiT2 Bert节省内存3 Bert蒸馏4.post train一:过拟合 1.1 直接finetune 容易过拟合 1.2 layer finetune 拷贝部分预训练参数,而其他随机初始化 两部分一同训练:提升…

《Nature》长期寻找,终于发现直接促进神经递质“弹药库”的蛋白质

来源:生物通俄勒冈健康与科学大学(Oregon Health & Science University)的科学家们发现了一种长期寻找的基因编码蛋白质,这种蛋白质能使大脑在神经元之间的间隙(称为突触)之间传递广泛的信号。科学家们发现了一种长期寻找的基因编码蛋白质&#xff0…

机器翻译

1 模型 1.1 模型 1.2 RNNBeam searchAttention 损失函数:交叉熵 预测:不使用解码器而是beam search #paddlepaddle from __future__ import print_function import os import six import numpy as np import paddle import paddle.fluid as flui…

姚能伟:以邻盛智能为例,如何在行业大脑进行创新实践

报告内容摘要随着技术发展,未来一定是智慧的时代。为此我们提除了感知世界,透视数据,洞察未知为理念的新型技术探索与实践。依托多年项目经验与行业专业积累,形成了一些行业深度的解决方案。在实践过程中形成了客观世界的泛感知和…

Science:已“死亡”的细菌仍能感知来自环境的信息

根据信号强度对细菌孢子进行颜色编码的显微镜图像:颜色越亮,信号越强细菌依靠其顽强的生命力,在包括人类在内的各种生命体和地球的各个角落繁衍生息。细菌之所以难以被杀死,是因为它们具有独特的生存策略,其中一种是在…

Berttransformer

1.transformer transformer self-attention 当前编码的词和整个句子所有词做attention,权重加在所有句子上获得当前的表示 encoder-decoder-attention 当前解码的单元和编码器的所有输出做attention,权重加在所有编码输出上,获得当前的表示…

GPT1-3(GPT3/few-shot,无需finetune)

GPT1–finetune 12层单向transformer预训练精调被bert比下去了 GPT2-元学习 输入:加上任务描述 “英翻法:This is life” 输出: “C’est la vie” 参数15亿在NLU:比不上bert也比不过其他大参数模型:如Turing-NLG GPT3-Langua…

一种基于人工智能的化学合成机器人,用于纳米材料的探索和优化

编辑 | 萝卜皮格拉斯哥大学(University of Glasgow)的研究人员提出了一种自主化学合成机器人,用于探索、发现和优化由实时光谱反馈、理论和机器学习算法驱动的纳米结构,这些算法控制反应条件并允许选择性地模板化反应。这种方法允…

千脑智能理论:开启创造机器智能的路线图 | 《千脑智能》

导语当人们谈论人工智能时,往往热衷于算法优化、模型迭代、算力提升,海量参数的复杂网络仿佛就是人工智能的发展方向。然而,这就是真正的智能吗?计算机科学家与神经科学家杰夫霍金斯在《千脑智能》中提出了一种关于大脑和智能的理…

一类机械神经网络的架构材料,未来智能技术的全新畅想

编辑 | 萝卜皮除了一些活组织之外,很少有材料能够在长时间暴露于意料之外的环境负载情况下自主学习表现出所需的行为。在不断变化的条件下(例如,内部损坏程度的上升、不同的夹具场景和波动的外部负载),仍然有更少的材料…

自然语言处理的未来之路(周明老师,CCF-GRIR,笔记)

文章目录1.什么叫自然语言处理1.1 困难1.2历史1.3 智能1.4 经典nlp任务的进展02.技术体系2.1 词2.2 句子03 未来发展3.1 资源丰富的任务---中英翻译3.2 资源少的任务3.3 多轮问题--多轮对话4 未来之路自然语言:规则—>统计—>神经网络现在:黄金时代…

从英国首位印裔首相,看印度IC产业

来源:芯师爷当地时间10月24日,英国前财政大臣苏纳克在保守党党首竞选中胜出,将成为英国新一任首相。这也意味着他将成为英国历史上第一位印度裔首相。图源:环球网一时间,关于“首位印度裔首相,苏纳克成功逆…

CASREL:A Novel Cascade Binary Tagging Framework for Relational Triple Extraction(关系抽取,ACL2020,重叠关系)

文章目录1.介绍2.相关工作3.The CASREL Framework3.1 Bert3.2 cascade decoder4.实验5.结果参考1.介绍 做重叠关系的少 重叠关系: Zeng et al. (2018) :seq2seq强化学习改善提取顺序Fu et al. (2019):(GraphRel)GCNs将文本建模为关系图 以前…

机器学习数学本质的理解

来源:计算机视觉与机器学习近日,国际数学家大会丨鄂维南院士作一小时大会报告:从数学角度,理解机器学习的“黑魔法”,并应用于更广泛的科学问题。鄂维南院士在2022年的国际数学家大会上作一小时大会报告(plenary talk)…

Exploiting the Syntax-Model Consistency for Neural Relation Extraction(关系抽取,语法模型,跨领域关系抽取

文章目录1.Introductiony1.1 神经网络的关系抽取1.2使用依赖树的关系抽取1.2.2 依赖树的一般树1.3 本文做法2. 相关工作2.1核方法2.2 深度学习方法2.2.1 CNN2.2.2 RNN2.2.3 transformer2.2.4 依赖树3.模型3.1CEON-LSTM3.1.1 LSTM3.1.2ON-LSTM3.1.2.1 公式3.1.2.2the master gat…

从500亿缩水到167亿!自动驾驶芯片第一股“流血上市”

来源:数据观综合编辑:蒲蒲美股年内最后一次大规模IPO,MobilEye首日大涨近40%。美国时间10月26日,英特尔旗下自动驾驶子公司 Mobileye 正式登陆纳斯达克,股票代码为“MBLY”,首日上涨37.95%,报收…

[ACL2020]Generalizing Natural Language Analysis through Span-relation Representations

文章目录1 介绍2 span-relation representations2.1未涉及句子级任务3.span-relation model3.1 span representation3.2 span and relation label prediction3.3 应用到不同任务3.5 多任务学习MTL4 GLAD Benchmark基准 and Results4.1 实验4.2 证明通用模型有效4.3 MTL4.3.2 任…