日本理化学研究所 (RIKEN) 研究人员领导的团队在《高能物理学杂志》上发表的一项新研究中表明,通过利用深度学习中使用的统计方法与实现量子模拟的技术之间的对应关系,可以更快地找到棘手量子问题的数学解。
量子场论是现代物理学中最成功的理论之一,是物理学家将三种理论——经典场物理学、爱因斯坦的狭义相对论和量子力学——结合为一个数学模型的尝试。
它在解决粒子物理学和凝聚态物理学问题方面取得了成功,但这些计算计算量巨大,需要大量的计算机能力。
简化事物的一种方法是将空间和时间视为离散点的网格,而不是将它们视为现实中的连续变量。格场理论仍然很棘手,但它在计算上是可行的,因为它采用了利用统计解释的高级算法。
现在,日本理化学研究所跨学科理论与数学科学项目 (iTHEMS) 的王凌晓 (Lingxiao Wang) 和英国、德国的同事证明,一种称为随机量化的方法对应于深度学习中使用的另一种统计技术,称为生成扩散。
“我们已经证明,基于生成扩散的模型为探索晶格上的量子场论提供了一个强大的框架,”王解释道。
生成式扩散模型通过破坏与图像或文本相关的数据然后修复它来进行学习。一旦模型学会了如何修复损坏的数据,它就可以将逆过程应用于完全随机或嘈杂的输入,以生成新的逼真图像或合理的文本。
王和团队意识到量子场论中使用的随机量化方法的工作方式非常相似。
王解释说:“随机量化涉及将量子噪声引入场系统,从而可以对量子场进行概率解释。这种方法在晶格场论中很有用,因为它提供了一种在计算机上模拟量子场论的替代方法。”
另一种看法是,生成扩散通过对噪声进行逆向工程,从随机噪声中生成真实数据,而随机量化则通过量子噪声的演化,从平凡的世界模拟出真实的量子世界。
王和他的团队通过将其应用于特定类型的晶格场理论模拟,证明了这种对应关系的实用性。他们以比以前更快的速度找到了解决方案。
研究团队打算利用他们的发现来研究更复杂的系统。“下一步是探索一个维度更多的量子场系统,这更接近我们的物理世界,”王说。