İki ölçülü elektron sistemləri aşağı temperaturda maqnit sahələrinə məruz qaldıqda, onlar maddənin maraqlı hallarını, məsələn, fraksiya kvant Hall mayelərini nümayiş etdirə bilərlər. Bunlar fraksiyalaşdırılmış həyəcanlar və maraqlı topoloji hadisələrin yaranması ilə xarakterizə olunan ekzotik maddə hallarıdır.

Cavendish Laboratoriyası və Massaçusets Texnologiya İnstitutunun (MIT) tədqiqatçıları, xüsusilə yeni hazırlanmış diqqətə əsaslanan fermionik neyron şəbəkəsindən (FNN) istifadə edərək, maşın öyrənməsindən istifadə edərək bu füsunkar vəziyyətləri daha yaxşı başa düşmək üçün yola çıxdılar.

Fiziki İcmal Məktublarında dərc olunan məqalədə qeyd olunan onların hazırladıqları üsul, fraksiya kvant Hall mayelərinin ən aşağı enerjili kvant vəziyyətini (yəni, əsas vəziyyəti) tapmaq üçün öyrədildi.

“AI cəmiyyətin və elmin bir çox sahələrini dəyişdirdi, lakin biz hələ kvant fizikasında süni intellektlə irəliləyiş görmürük ” dedi məqalənin həmmüəllifi Liang Fu Phys.org-a.

“Kvant çoxbədənli problemlərin həllinin son dərəcə çətin olduğu məlumdur, çünki kvant sistemi eksponensial olaraq çoxlu vəziyyətlərin superpozisiyasında ola bilər: sözün əsl mənasında, hər yerdə bir anda! Beləliklə, biz süni intellektin kvant dünyasını fəth etmək gücünə malik olub-olmadığını öyrənmək istədik.”

Fu və onun həmkarlarının son tədqiqatlarının əsas məqsədi mürəkkəb kvant problemlərinin həlli üçün qabaqcıl maşın öyrənmə vasitələrinin potensialını qiymətləndirmək olub. Bu məqsədə doğru çalışan tədqiqatçılar yeni bir FNN hazırladılar və ondan topoloji kvant mayelərində elektronların gizli nümunələrini açmaq üçün istifadə etməyə çalışdılar.

https://googleads.g.doubleclick.net/pagead/ads?gdpr=0&us_privacy=1—&gpp_sid=-1&client=ca-pub-0536483524803400&output=html&h=280&slotname=8188791252&adk=1751428779&adf=308666314&pi=t.ma~as.8188791252&w=540&abgtt=6&fwrn=4&fwrnh=0&lmt=1747930351&rafmt=1&armr=3&format=540×280&url=https%3A%2F%2Fphys.org%2Fnews%2F2025-05-fermionic-neural-network-ground-state.html&fwr=0&rpe=1&resp_fmts=3&wgl=1&uach=WyJXaW5kb3dzIiwiMTkuMC4wIiwieDg2IiwiIiwiMTM2LjAuNzEwMy4xMTQiLG51bGwsMCxudWxsLCI2NCIsW1siQ2hyb21pdW0iLCIxMzYuMC43MTAzLjExNCJdLFsiR29vZ2xlIENocm9tZSIsIjEzNi4wLjcxMDMuMTE0Il0sWyJOb3QuQS9CcmFuZCIsIjk5LjAuMC4wIl1dLDBd&dt=1747930351560&bpp=4&bdt=241&idt=51&shv=r20250521&mjsv=m202505190101&ptt=9&saldr=aa&abxe=1&cookie=ID%3De2af2bea6b3e2e90%3AT%3D1735548424%3ART%3D1747930147%3AS%3DALNI_MZIaWdAh-lthHlhpkWN2g6ZC7xT8A&gpic=UID%3D00000f8412a58936%3AT%3D1735548424%3ART%3D1747930147%3AS%3DALNI_MaJ_6ILTTPz6uEc3lU2rNf9ZPgQbA&eo_id_str=ID%3D1b1b09cf233e1b4b%3AT%3D1735548424%3ART%3D1747930147%3AS%3DAA-AfjZKostxhmsFX2YCqOZbTGHa&prev_fmts=0x0%2C336x280%2C920x280&nras=1&correlator=1148623282412&frm=20&pv=1&rplot=4&u_tz=240&u_his=4&u_h=864&u_w=1536&u_ah=816&u_aw=1536&u_cd=24&u_sd=1.25&dmc=8&adx=395&ady=2048&biw=1521&bih=730&scr_x=0&scr_y=0&eid=95353386%2C95360813%2C95360815%2C42533294%2C95361622%2C95360957&oid=2&pvsid=4465981510939966&tmod=140502480&uas=0&nvt=1&ref=https%3A%2F%2Fphys.org%2Fpage2.html&fc=1920&brdim=0%2C0%2C0%2C0%2C1536%2C0%2C1536%2C816%2C1536%2C730&vis=1&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=1&td=1&tdf=2&psd=W251bGwsbnVsbCxudWxsLDNd&nt=1&ifi=4&uci=a!4&btvi=3&fsb=1&dtd=240

“Bizim son məqaləmiz kvant kimyası problemlərini həll etmək üçün süni intellektin, xüsusən də FNN-nin sürətli inkişafından ilhamlandı” dedi məqalənin həmmüəllifi Yi Teng. “Biz nümayiş etdirmək istədik ki, bu neyron şəbəkəsinə əsaslanan variasiya yanaşması ənənəvi ədədi üsullar üçün çətin olduğu sübut edilmiş mürəkkəb kondensasiya olunmuş maddə sistemlərinə də tətbiq oluna bilər.”

Fraksiyalı kvant Hall mayeləri, güclü maqnit sahəsi tətbiq edildikdə 2D elektron sistemlərində meydana gəldiyi məlum olan mürəkkəb maddə hallarıdır . Fu, Teng və Dai tərəfindən hazırlanmış hesablama metodu fermionik kvant Hall mayelərinin və rəqabətli vəziyyətlərin mikroskopik xüsusiyyətlərini müvəffəqiyyətlə açaraq zəngin fiziki hadisələri tuta bilər.

“Fraksiyalı kvant Hall mayesində elektron yükünün kvantlaşdırılmış hissəsini daşıyan nə bozonlar, nə də fermionlar deyil, meydana çıxan hissəciklər var” dedi Fu. “Bu mötəbər sahədə böyük uğur ən yaxşı insan ağlından gəlsə də, ənənəvi metodların imkanlarından kənar ədədi dəqiq həllər tələb edən uzun müddətdir açıq suallar qalmaqdadır. Beləliklə, biz süni intellektə bir şans verdik.”

Bu tədqiqat maddənin fraksiya fazalarını öyrənmək üçün süni intellekt və maşın öyrənmə potensialını nümayiş etdirən ilk tədqiqatlardan biridir. FNN, Fu, Teng və Dai istifadə edərək, sistemin əsas vəziyyətini qiymətləndirmək üçün optimallaşdırıla bilən çevik riyazi struktur olan variasiya ansatz yaratdı.

“Biz daha sonra yer vəziyyətini axtarmaq üçün ümumi enerjini minimuma endirmək üçün Monte-Karlo nümunəsindən istifadə etdik” dedi Teng. “Biz həmçinin geniş ölçülər apardıq və neyroşəbəkələrin ənənəvi metodları ardıcıl olaraq üstələdiyini tapdıq. Metodumuzun ən böyük üstünlüyü ondan ibarətdir ki, heç bir insan meylləri əl ilə qoyulmur və neyron şəbəkə Hilbert fəzasını kəsmədən elektronların bütün mümkün vəziyyətlərini tutur.”

Gündəlik anlayışlar üçün Phys.org-a etibar edən 100.000-dən çox abunəçi ilə elm, texnologiya və kosmosda ən son yenilikləri kəşf edin . Pulsuz xəbər bülleteni üçün qeydiyyatdan keçin və mühüm nailiyyətlər, innovasiyalar və tədqiqatlar haqqında gündəlik və ya həftəlik yeniliklər əldə edin .Abunə ol

Komandanın nümayişi nəzəri cəhətdən proqnozlaşdırmaq çətin ola biləcək vəziyyətlərin öyrənilməsi və qiymətləndirilməsi üçün FNN-lərin vədlərini vurğulayır. Tədqiqatlarının bir hissəsi olaraq, tədqiqatçılar 2D elektron sisteminin mayedən kristala keçidini dəqiq proqnozlaşdırmaq üçün FNN-dən uğurla istifadə etdilər.

“Biz nümayiş etdiririk ki, qərəzsiz neyron şəbəkəsi fərqli fazaları (fraksiya kvant Hall mayesi və bizim vəziyyətimizdə Wigner kristalı) vahid şəkildə, görünməmiş dəqiqliklə həll etmək üçün istifadə edilə bilər” dedi Teng. “Bu, kvant kondensasiya olunmuş maddə fizikasında NN əsaslı variasiya metodunun imkanlarını və çox yönlülüyünü göstərir.”

Gələcəkdə Fu, Teng və Dai tərəfindən hazırlanmış model daha da təkmilləşdirilə və müxtəlif 2D elektron sistemlərinin kvant faza diaqramını proqnozlaşdırmaq üçün istifadə edilə bilər. Bundan əlavə, o, kvant tədqiqatları üçün digər FNN əsaslı modellərin inkişafına ilham verə bilər və potensial olaraq maddənin yeni kvant hallarının kəşfinə töhfə verə bilər.

Fu dedi: “Mənim üçün bu layihə ağılları uçuran bir təcrübə idi”. “Mən indi süni intellektin kvant elmi üçün dəyişdirici gücünə tam əminəm və geniş imkanlar təqdim edir.

“Gələcəyə baxaraq, mən də inanıram ki, çətin kvant problemlərinin həlli müxtəlif böyük dil model arxitekturaları üçün obyektiv etalon təqdim edir. Fikir verin: belə testdə heç bir təlim məlumatı iştirak etmir və sıralama obyektiv olaraq variasiya enerjisi ilə müəyyən edilir. Ən yaxşısı mükafatdır – AI real materialların kvant faza diaqramını həll edir və yeni kvant maddə vəziyyətini kəşf edir.”

Gələcək tədqiqatlarının bir hissəsi olaraq, tədqiqatçılar geniş spektrli digər kvant sistemlərini öyrənmək üçün FNN əsaslı metoddan istifadə etməyi planlaşdırırlar. Məsələn, ondan qeyri-abel vəziyyətləri, qeyri-ənənəvi superkeçiricilik və kvant spin mayeləri haqqında yeni anlayışlar toplamaq üçün istifadə etmək istərdilər.

“İrəli gedərkən mən həm çətin fizika problemlərini həll etmək üçün süni intellektdən istifadə etmək, həm də süni intellekt haqqında daha çox öyrənmək üçün çətin fizika problemlərindən istifadə etməkdən məmnunam” deyə məqalənin həmmüəllifi David Dai əlavə edib.

Daha çox məlumat: Yi Teng et al, Özünə diqqət neyron şəbəkəsi ilə fraksiya kvant Hall probleminin həlli, Fiziki İcmal B (2025). DOI: 10.1103/PhysRevB.111.205117 . ArXiv- də : DOI: 10.48550/arxiv.2412.00618

Jurnal məlumatı: arXiv , Fiziki İcmal Məktubları , Fiziki İcmal B   

© 2025 Science X Network