新突破！科学家利用机器学习模拟量子自旋液体

我们都曾遇到过这样的苦恼：要在两个同样好（或坏）的选项中，选出其中一项。当基本粒子在一种特殊类型的量子系统中感受到两种相互竞争的力量时，它们也会感受到这种挫折。

在一些磁体中，粒子的自旋（被看作是粒子围绕其旋转的轴）都被迫对齐，而在其他磁体中，它们必须交替地改变方向。但在少数材料中，这些对齐或反对齐的趋势相互竞争，导致了所谓的受挫磁性。这种挫折意味着自旋在不同的方向上波动，甚至在绝对零度的温度下也是如此。这就创造了一种被称为量子自旋液体的奇异物质状态。

研究人员创造了一种机器学习方法，可以预测一种复杂而奇特的量子材料状态特性。这一进展可能有助于未来量子计算机的发展。

为量子自旋液体建模是非常具有挑战性的，因为构成其量子状态的相互依赖自旋构型的数量，随着粒子数量的增加而呈指数增长。

而研究中的机器学习方法克服了这个问题，它可以揭示出受挫的磁体中存在一个量子自旋液相。这项机器学习方法已经克服了与这些复杂系统相关的困难，同时已经确定了二维自旋系统中量子自旋液体的存在。

这项研究为在实际材料中实现量子自旋液相提供了一个有用的指导原则。但还有一个更广泛的信息：该研究强调了机器学习解决困难物理问题的力量。

研究人员认为，使用机器学习作为一种新的工具，可以解决物理学中长期存在的问题，而这些问题是难以用人脑解决的。在未来，除了人脑之外，使用“机器大脑”将为其他未解决的问题带来新的启示。

题为Dirac-Type Nodal Spin Liquid Revealed by Refined Quantum Many-Body Solver Using Neural-Network Wave Function, Correlation Ratio, and Level Spectroscopy的相关研究论文发表在《物理评论X》(Physical Review X)上。

前瞻经济学人APP资讯组

论文原文：

https://journals.aps.org/prx/abstract/10.1103/PhysRevX.11.031034