Wetenschap
Simulatie van magnetisatie in een kwantumspinketen van Heisenberg
De snelle vooruitgang van kwantumsimulators stelt hen nu in staat problemen te bestuderen die voorheen beperkt bleven tot het domein van de theoretische fysica en numerieke simulatie. Een team van onderzoekers bij Google Quantum AI en hun medewerkers hebben deze nieuwe mogelijkheid aangetoond door de dynamiek in 1D-kwantummagneten te bestuderen, met name ketens van spin-1⁄2 deeltjes.
Ze onderzochten een statistisch-mechanisch probleem dat de afgelopen jaren de aandacht heeft getrokken:zou zo'n 1D-kwantummagneet kunnen worden beschreven met dezelfde vergelijkingen als sneeuw die valt en samenklontert?
Het lijkt vreemd dat de twee systemen met elkaar verbonden zouden zijn, maar in 2019 vonden onderzoekers van de Universiteit van Ljubljana opvallend numeriek bewijs dat hen ertoe bracht te vermoeden dat de spindynamiek in het spin-1⁄2 Heisenberg-model in het Kardar-Parisi-model ligt. Zhang (KPZ) universaliteitsklasse, gebaseerd op de schaling van de spin-spin-correlatiefunctie met oneindige temperaturen.
De KPZ-vergelijking werd oorspronkelijk geïntroduceerd om de stochastische, niet-lineaire dynamiek van aangedreven interfaces te beschrijven en heeft bewezen van toepassing te zijn op een breed scala aan klassieke systemen, zoals groeiende fronten van bosbranden, die tot de KPZ-universaliteitsklasse behoren. Het zou verrassend zijn als het spin-1⁄2 Heisenberg-model in deze universaliteitsklasse zou vallen, zoals vermoed door de onderzoekers in Ljubljana, omdat het lineair en niet-stochastisch is, in tegenstelling tot de andere systemen in deze klasse.
In 2022 begonnen kwantumsimulaties licht te werpen op deze vraag met experimenten met koude atomen, uitgevoerd door onderzoekers van het Max-Planck-Institut für Quantenoptik. Door de versoepeling van een initiële onbalans van de magnetische spins te bestuderen, vonden ze experimenteel bewijs ter ondersteuning van dit vermoeden, dat werd gepubliceerd in Science in 2022.
Om de spindynamiek in dit model verder te onderzoeken, maakte de samenwerking met Google gebruik van het vermogen van hun supergeleidende kwantumprocessor om snel grote hoeveelheden experimentele gegevens te verzamelen, waardoor een gedetailleerd onderzoek van de onderliggende statistieken mogelijk werd.
Concreet maten ze met behulp van een keten van 46 supergeleidende qubits de waarschijnlijkheidsverdeling van het aantal spins dat door het midden van de keten ging, een hoeveelheid die bekend staat als de overgedragen magnetisatie. Het gemiddelde en de variantie van deze verdeling vertoonden gedrag dat consistent was met het behoren tot de KPZ-universaliteitsklasse, volledig in overeenstemming met de bevindingen van de Max-Planck-Institut-groep.
Pas toen ze het derde (skewness) en vierde (kurtosis) moment van de overgedragen magnetisatie zorgvuldig onderzochten, ontdekten ze duidelijke afwijkingen van de voorspellingen voor de KPZ-universaliteitsklasse, wat aangeeft dat het vermoeden niet klopt op de tijdschalen die in het experiment zijn onderzocht. .
Over het algemeen is het uiterst uitdagend om de verdeling van een stochastische variabele met voldoende nauwkeurigheid te meten, zodat de hogere momenten kunnen worden opgelost met voldoende signaal-naar-ruis; het heeft snelle bemonstering, een hoog niveau van controle en, voor kwantumprocessors, kwantumcoherentie nodig. Dit werk, gepubliceerd in Science op 5 april 2024 vertegenwoordigt uitstekend het huidige opwindende tijdperk van kwantumsimulatie, waarin kwantumprocessors het mogelijk maken ons begrip van nieuwe fysische verschijnselen te verdiepen.