研究人员已经成功地模拟了“稳态”状态。使用基于神经网络的新算法对量子系统进行分析。使用神经网络来估计和模拟波函数和密度矩阵可以大大降低计算复杂性和计算能力要求，并为解决量子科学和信息领域中的几个突出问题奠定了基础。即使在日常生活中，自然也受量子物理学定律支配。这些定律解释了生活中的常见现象，例如光，声，热，甚至是台球桌上的球的轨迹。这些日常活动符合公众的视野和想象力，我们都已经习惯了。但是，当涉及到大量相互作用的粒子时，量子物理学定律所解释的大多数现象都与我们的直觉相反。为了研究由大量粒子组成的量子系统，物理学家必须首先能够模拟这样的系统。解释量子系统内部运行机理的方程可以通过超级计算机求解。然而，尽管摩尔定律预测计算机的处理能力将每两年翻一番，但这远不能解决解决量子物理学所面临的挑战所需的计算能力。造成这种困难的原因是，预测量子系统的性质非常复杂。为了跟上量子系统的发展，计算能力需要成倍增加。这是“本质上极其复杂”的。任务。 EPFL纳米系统理论物理实验室负责人Vincenzo Savona教授说。 “对于开放量子系统，情况将变得更加复杂，因为该系统将受到周围环境的干扰。” Savona添加了。迫切需要有效地模拟开放量子系统的工具，因为量子科学和技术中的大多数现代实验平台都是开放系统，物理学家一直在寻找模拟和测试这些系统的新方法。洛桑联邦理工学院（EPFL）的研究人员已经通过使用神经网络模拟量子系统的新计算方法取得了重大进展。相关研究结果已在“ Physical Review Letters”中的三篇论文中发表。开放量子系统性质的仿真是解决量子科学和信息领域中几个突出问题的先决条件。这个问题的困难在于，系统的密度矩阵将随着系统规模的增加而呈指数增长。本文提出了一种变分方法，利用变分蒙特卡罗方法和密度矩阵神经网络有效地模拟了马尔可夫开放量子系统的非平衡稳态。在开放的量子系统中，研究人员的目标是找到“稳态”，即不随时间变化的量子态。确定这种状态的形式理论已经存在。当系统包含多个量子粒子时，可能会出现计算困难。为了描述整个自旋系统，必须确定2 ^ N个可能的状态。仅将此信息存储20转，就需要大约8 GB的RAM，而每增加一转，将需要的计算能力加倍。在开放系统中，处理相同数量的旋转甚至更加困难，因为旋转必须通过“密度矩阵”来描述。 ρ。该矩阵的规模非常大，元素数为2 ^ N×2 ^ N。神经网络的优点是它可以用很少的信息近似模拟波函数或密度矩阵。神经网络就像数学上的“盒子”一样。它接受一串数字（向量或张量）作为输入并输出另一个字符串。对于模拟N量子系统的特定任务，神经网络功能可以用作“猜测”模型。函数的波函数，以N个对象的状态为输入。然后，研究人员让网络“学习”网络。从实际或模拟数据中提取，或最小化波动函数确定的物理量以优化函数参数。一旦获得正确的猜测，就可以将其用于计算其他物理属性，并且参数的数量远远少于2 ^ N。 “这项研究基本上将神经网络和机器学习的发展与量子蒙特卡洛工具结合在一起。”萨沃纳说。所述“量子蒙特卡洛工具”包括：他说是指物理学家用来研究复杂量子系统的东西。大型算法工具包。科学家训练了一个神经网络，以同时表示多个量子系统，这些系统可以通过其环境的影响来投射许多量子态。这种基于神经网络的方法使物理学家可以预测c的量子系统的性质。