南科大本科生在《物理评论快报》发文,实现由不定因果序驱动的量子冰箱

2b8c4a4d6549acf800caedbb236ed63f.jpeg

来源:FUTURE远见

选编:FUTURE | 远见 闵青云 

近日,南方科技大学物理系师生在实验中实现了由不定因果序驱动的量子冰箱。相关成果以「Experimental realization of a quantum refrigerator driven by indefinite causal orders」为题发表在《物理评论快报》(Physical Review Letters)上。

7a3084abb747d5ce9dc9bfa2bcc75beb.jpeg

因果关系是我们理解世界的基本观念,也是时间概念的基础。它在我们的认知中发挥着至关重要的作用,使我们能够确定某些事件的原因,对未来作出科学的预测,并选择适当的行为来实现目标。然而,当我们走进量子世界,事件的因果顺序有可能变得不那么确定。例如,可能存在一种不定因果顺序,对应着「A导致B」和「B导致A」的量子叠加。

63e8eea7079ce4d85fbad27c1ee0bc58.jpeg

不定因果序示意 | 图源:J. Schmöle

物理学家Giulia Rubino及其同事曾通过实验证实了量子世界中的因果顺序确实是可以变得不确定的。以一种名为量子开关(Quantum switch)的构建,也就是用单个光子状态去控制逻辑门的先后作用顺序,来实现门操作因果序的量子叠加。最后,在输出端测量「因果目击者(Causal Witness)」来判断这个过程是否是既定因果。

5b31a7d5475c1412dd684fe5d16a8002.jpeg

门操作因果序的量子叠加示意图 | 图源:Giulia Rubino的实验文章

某个目标物体经历的热力学过程也可以看作是一系列门的概率作用,我们可以用类似的办法实现对热力学过程的不定因果序排列。根据热力学第二定律,热只会自发地从高温物体传向低温物体,两个相同温度的物体放在一起是不会发生热量转移的。换言之,如果我们将目标物体与某一相同温度热源发生热接触称为事件A,与另一个相同温度热源发生热接触称为事件B,A和B发生的前后顺序并不会影响目标物体最终的温度,目标物体在这个过程中的温度始终保持不变。在经典世界中,这是非常平庸的结论。

然而,令人惊讶的是,物理学家Felce和Vedral发现当我们对A和B这两个热力学过程进行不定因果序的排列时,通过对「因果目击者」的质询,目标物体的最终温度可能升高或者降低。这看似违反了热力学第二定律,实际上,这个现象类似于「麦克斯韦妖(Maxwell demon)」悖论,并没有违反热力学第二定律这一最基本的物理规律,而「因果目击者」就相当于那只不断观测及不断记忆的调皮小妖精。在不定因果序的热接触中,熵的变化来源于我们对「因果目击者」,也就是小妖精的观测。如果将小妖精纳入系统中,系统的熵并不会自发减少。在这一过程中,我们能看到量子的热交换作用,通过这一神奇的现象,可以实现基于不定因果序原理的量子冰箱。

cda00aa770344d73348cfd65ce1e77b2.jpeg

在样品中,研究人员利用左上角的氟元素作为工作比特,中间的碳元素作为控制比特,下方的两个氟元素作为热库。控制比特的最终观测状态决定了热流的走向,利用这个性质,研究人员实现了基于不定因果序的量子冰箱。

研究人员在核磁共振量子模拟器上进行实验,首次在 4个核自旋量子比特系统上演示了不定因果序过程中的神奇热力学性质。研究人员将四个原子核中的碳原子核作为「因果目击者」,一个氟原子核作为冰箱的工作物质,另外的两个氟原子核作为与工作物质温度相同的热源。通过将「因果目击者」制备到不同状态,从而控制工作物质与两个热源接触的顺序。当「因果目击者」处于|0>或|1>时,工作物质以固定的顺序先后与热源1(事件A)和热源2(事件B)接触;当「因果目击者」处于|0>和|1>的量子叠加状态时,工作物质就将以不定因果序与热源接触,也就是量子版本的冰箱。最后对「因果目击者」进行测量,当其处于|0>-|1>时,工作物质将从热源吸热,也就是可以达到「冰箱」的制冷效果;反之,当其处于|0>+|1>时,工作物质将向热源放热。换句话说,即使工作物质和两个热源始终处于相同的温度,在不定因果序热接触的情况下,仍然可以发生热传递效应。

接下来,利用不定因果序的这个性质,研究人员设计了一个如下图所示的四冲程量子冰箱:

(1) 工作物质与两个低温热源发生不定因果序的热接触过程,之后对「因果目击者」(小妖精)进行测量。「因果目击者」对测量结果进行判断。当结果为|0>-|1>时,热力学循环继续;反之则持续过程(1),直到测量结果为|0>-|1>;

(2) 工作物质与高温热源接触并放热;

(3)工作物质与低温热源接触并放热;

(4) 对「因果目击者」和工作物质进行初始化。研究人员重点考察了这个过程中的能量传递、冰箱实验的成功概率、以及工作效率等性质。

0fa43a2c800e20f93223eeceb6003aab.jpeg

基于不定因果序热接触的四冲程量子冰箱。

在对基于不定因果序的冰箱进行实验研究时,研究人员发现该冰箱的工作效率受限于过程(1)中对「因果目击者」测量的成功概率,且总会被限制在一个较小的值(约0.08)。为了提高冰箱的工作效率,研究人员提出了一种基于密度矩阵指数化(Density matrix exponentiation)的框架。这个方法将冰箱的效率提高了3倍,并且在实验上进行了验证。这项工作成功演示了一种基于不定因果序的非经典热交换作用,为今后量子冰箱的更多研究铺平了道路。

6237d2e7aceb0a706ddae75d310fbe9d.jpeg

(a)单次循环中,消耗的功以及发生的热量转移随温度变化的曲线(b)不同温度下,原本的不定因果序冰箱(ICO)和基于基于密度矩阵指数化框架的冰箱(DME)效率比较图。可以看到,「量子冰箱」的效率得到了显著的提高。

南方科技大学物理系研究助理教授聂新芳和物理系2017级本科生朱炫然(目前在香港科技大学攻读博士学位)为该论文的共同第一作者。朱炫然大二时就加入南科大鲁大为课题组进行量子计算研究,主要研究方向为量子热机和拓扑物态量子模拟,该工作即是其在大三期间完成的科研项目。朱炫然主导完成了理论数值模拟、实验方案设计、文章撰写等,对该项目的顺利完成具有核心贡献。鲁大为课题组一直以来都非常注重对本科生的科研训练,针对学生特点进行「因材施教」,鼓励和支持学生探索最感兴趣的科研方向。

该工作的合作者包括之江实验室研究员董莹、量子科学与工程研究院研究员李俊和副研究员辛涛等。董莹、辛涛和鲁大为为共同通讯作者,南方科技大学为论文第一完成单位。该研究得到了科技部、国家自然科学基金委、广东省科技厅、深圳市科创委、南方科技大学和之江实验室等的大力支持。

论文链接:

https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.129.100603

--南方科技大学

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”

0e1e0ab94ca7a73836c607c5093cb524.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/481574.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

论文学习12-Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data(CRF

文章目录abstract1.introduction1.2 条件模型2.标签偏差问题3.CRF提出条件随机场CRF abstract 我们提出了条件随机场,这是一个建立概率模型来分割和标记序列数据的框架。相对于隐马尔可夫模型和随机语法,条件随机场在这类任务中有几个优势,…

杨振宁六大数理工作赏析 | 祝贺杨先生百岁华诞

来源:返朴撰文:林开亮我的物理学界同事大多对数学采取功利主义的态度。也许因为受我父亲的影响,我较为欣赏数学。我欣赏数学家的价值观,钦佩数学的优美和力量:它既有战术上的随机应变,又有战略上的深谋远虑…

论文学习13Reconstructing the house from the ad: Structured prediction on real estate classifieds(实体关系抽取)

文章目录abstractIntroduction2. 相关工作3.房地产结构预测3.1问题形式化3.2 结构预测模型3.2.1 序列标注问题3.2.2 part-of tree constructLocally trained model (Threshold/Edmonds)Globally trained model (MTT)Transition-based dependency parsing (TB)4.实验5.pipeline总…

优化|深度学习或强化学习在组合优化方面有哪些应用?

来源:图灵人工智能前 言深度强化学习求解组合优化问题近年来受到广泛关注,是由于其结合了强化学习(Reinforcement learning)强大的决策(decision-making)能力和深度学习(deep learning)的各种模型(RNN、Transformer、GNN等等)强大的信息提取表征能力(r…

论文学习14-End-to-End Relation Extraction using LSTMs on Sequences and Tree Structures(端到端实体关系抽取)

文章目录abstract1.introduction2.相关工作3.model3.1嵌入层3.2 序列层3.3实体检测3.4 依赖层3.5 Stacking Sequence and Dependency Layers3.6关系分类3.7 训练4 实验总结本文:Miwa, M. and M. Bansal “End-to-End Relation Extraction using LSTMs on Sequences …

人工智能在基因组学市场增长机会以及整个基因组学领域的最新技术

来源:ScienceAI编译:萝卜皮人工智能等最新技术浪潮已经触及几乎所有行业和企业的海岸。基因组学领域也不例外。在 2020-2030 年的评估期内,最新技术在基因组学领域的日益普及将被证明是基因组学市场人工智能的主要增长贡献者。基因组学可以定…

论文学习15-Table Filling Multi-Task Recurrent Neural Network(联合实体关系抽取模型)

文章目录abstract1 introduction2.方 法2.1实体关系表(Figure-2)2.2 The Table Filling Multi-Task RNN Model2.3 Context-aware TF-MTRNN model2.4 Piggybacking for Entity-Relation Label Dependencies2.5 Ranking Bi-directional Recurrent Neural Network (R-biRNN)3.Mode…

【Brain】大脑里也有个Transformer!和「海马体」机制相同

来源: 墨玫人工智能【导读】Transformer模型性能强的原因是模拟了人脑?我不能创造的,我也不理解。——费曼想要创造人工智能,首先要理解人类的大脑因何有智能。随着神经网络的诞生及后续的辉煌发展,研究者们一直在为神…

CRF总结

文章目录计算下Z(矩阵)1.1 一般参数形式1.2 简化形式Z1.3 矩阵形式1.3.2 Z2.维特比算法3.前向算法4.后向算法5.使用前向后向的概率计算6.期望计算7.参数估计(学习)7.1 梯度上升参考文献CRF 是无向图模型code 它是一个判别式模型建…

CAAI名誉理事长李德毅院士谈机器的生命观

来源:图灵人工智能2022年9月28日上午,为促进人工智能产、学、研、经、用的发展,助力余杭区人民政府建设杭州市人工智能创新发展区,由中国人工智能学会主办的会士系列讲坛—第一期通过线上的形式在余杭区未来科技城成功举办。本次活…

论文学习16-Going out on a limb: without Dependency Trees(联合实体关系抽取2017)

文章目录abstract1. Introduction2. 相关工作3. Model3.1 Multi-layer Bi-directional Recurrent Network3.2实体检测3.3 attention model3.4 关系检测3.5双向编码4.训练5.实验5.2 evaluation metrics5.3 基线和以前的模型5.4 超参数6.结果Katiyar, A. and C. Cardie (2017). G…

困局中的英伟达:进一步是鲜花,退一步是悬崖

来源: AI前线整理:王强、冬梅看看最近几个月的股价,英伟达的投资者肯定不怎么开心:但如果把时间拉长到 5 年,我们看到的故事似乎又不一样了:2020 年底显然是是一个转折点。很多游戏玩家还清楚地记得&#x…

论文学习17-Global Normalization of Convolutional Neural Networks(联合实体关系抽取CNN+CRF)2017

文章目录abstract1.Introduction2.相关工作3.Model全局归一化层(使用线性链CRF)4.实验和分析4.3实验结果总结Adel, H. and H. Schtze “Global Normalization of Convolutional Neural Networks for Joint Entity and Relation Classification.”abstract CNNCRF&g…

特斯拉AI日点不燃仿人机器人的市场热情

来源:科技智谷编辑:Light"仿人机器人的巨大市场蓝海能否兑现,核心还要看产品量产和成本控制。近期,沉寂已久的仿人机器人市场终于迎来了它的“春晚”——特斯拉AI日。根据外媒报道,在9月30日(北京时间…

LSTM(序列标注,自实现)

文章目录1.LSTM1.1 单独计算单层LSTM-cell单层LSTMBPTT2.序列标注使用pytorch实现序列标注自实现lstmimport torchimport torch.nn as nndef prepare_sequence(seq, to_ix):idxs [to_ix[w] for w in seq]return torch.tensor(idxs, dtypetorch.long)training_data [("Th…

Science最新:Jeff Gore团队揭示复杂生态系统中涌现的相变

来源:集智俱乐部作者:胡脊梁编辑:邓一雪导语生态学致力于理解自然生态系统中的多样化的物种和复杂的动力学行为,然而科学家长期缺乏描述和预测生物多样性和生态动力学的统一框架。MIT物理系的胡脊梁和Jeff Gore等科学家结合理论和…

强化学习发现矩阵乘法算法,DeepMind再登Nature封面推出AlphaTensor

来源:机器之心 微信公众号DeepMind 的 Alpha 系列 AI 智能体家族又多了一个成员——AlphaTensor,这次是用来发现算法。数千年来,算法一直在帮助数学家们进行基本运算。早在很久之前,古埃及人就发明了一种不需要乘法表就能将两个数…

论文学习18-Relation extraction and the influence of automatic named-entity recognition(联合实体关系抽取模型,2007)

文章目录abstract1.introduction3.问题形式化4.系统架构5. 命名实体识别6.关系抽取(核方法)6.1global context kernel6.2 local context kernel6.3 shallow linguistic kernel7实验Giuliano, C., et al. “Relation extraction and the influence of aut…

Nature:进化新方式?线粒体DNA会插入我们的基因组

来源:生物通科学家们惊讶地发现,每4000个新生儿中就有一个会将线粒体中的一些遗传密码插入到我们的DNA中,这为人类的进化方式提供了新见解。剑桥大学和伦敦玛丽女王大学的研究人员表明,线粒体DNA也会出现在一些癌症DNA中&#xff…

论文学习19-Structured prediction models for RNN based sequence labeling in clinical text(LSTM_CRF,2016)

文章目录abstract1. Introduction2.相关工作3.方法3.1 Bi-LSTM (baseline)3.2BiLSTMCRF3.3 BiLSTM_CRF with pairwise modeling3.4 Approximate Skip-chain CRF5.实验Jagannatha, A. and H. Yu “Structured prediction models for RNN based sequence labeling in clinical te…