当量子模拟“遇见”统计力学！谷歌Quantum AI揭开自然界隐藏规律

模拟海森堡量子自旋链中的磁化

量子模拟的先进发展现已达到探索原先局限于理论物理和数值模拟的问题的能力。通过对一维量子磁性体（尤其是自旋-1/2粒子链）的动力学进行研究，谷歌量子人工智能团队及其合作伙伴展现了这项技术的新进展。

这项研究聚焦于一个近年来引起广泛关注的统计力学问题，即是否可以用描述雪花飘落和凝结的同一组方程来表达这种一维量子磁性体？

这种联系初看似乎不可思议，但2019年，卢布尔雅那大学的研究人员发现了令人惊讶的数值证据。他们基于无限温度下自旋-自旋相关函数的缩放，推测自旋-1/2海森堡模型中的自旋动力学可能属于KPZ（Kardar-Parisi-Zhang）普适类别。

KPZ方程最初被用来描述界面随机非线性动力学，已被证实适用于多种经典系统，如森林火灾扩散的前沿等，这些系统均归于KPZ普适类。若自旋-1/2海森堡模型真属于此类，这将颇为出乎意料，因为它既是线性的又是非随机的，与该类别中的其他系统截然不同。

2022年，马克斯-普朗克量子研究所的研究人员开始通过冷原子实验用量子模拟来探究这一问题。他们研究了磁自旋起始的非平衡弛豫过程，发现了支持这一推测的实验证据，并在《科学》杂志上发表了其成果。

论文链接：

https://www.science.org/doi/10.1126/science.abk2397

进一步探索模型中的自旋动力学，谷歌的合作团队利用其超导量子处理器进行了大量实验数据的快速采集，对统计学基础进行了深入分析。

特别是，他们通过一个由46个超导量子比特构成的链，测量了自旋通过链中心的概率分布，这一测量结果被称作“转移磁化”（transferred magnetization）。其分布的均值和方差表现出与KPZ普适类一致的行为，与马克斯-普朗克研究所团队的发现完全吻合。

然而，只有当他们细致研究转移磁化的第三矩（偏斜度）和第四矩（峰度）时，才意识到实验结果显著偏离KPZ普适类的预期，说明在实验观察的时间尺度内该假设并不成立。

一般来说，要以足够的精度测量随机变量的分布，并以高信噪比解析高阶矩是极具挑战性的。这不仅需要快速的样本采集和高水平的控制，对量子处理器而言，还需要保持量子相干性。

海森堡XXZ自旋链中的畴壁弛豫

各种传输机制的平均值和方差

转移磁化的偏度和超值峰度

实验观测矩与各种模型的理论预测值的比较

这项发表在《科学》杂志的研究成果象征了当前量子模拟的激动人心的新时代，量子处理器正深化我们对新物理现象的理解。

[1]https://phys.org/news/2024-04-simulating-magnetization-heisenberg-quantum-chain.html

[2]https://research.google/blog/google-at-aps-2024/

[3]https://www.nanotech-now.com/news.cgi?story_id=57477