🌌 Когда двумерные электронные системы подвергаются воздействию магнитных полей при низких температурах, они могут проявлять удивительные квантовые состояния, такие как дробные квантовые холловские жидкости 🌀. Эти экзотические состояния материи характеризуются дробными возбуждениями и топологическими явлениями, которым пока нет полного объяснения.
🧪 Исследователи из Кембриджской лаборатории и MIT решили изучить эти состояния с помощью машинного обучения, используя новую нейронную сеть на основе внимания для фермионов (FNN) 🤖. Их метод, описанный в [статье](https://link.aps.org/doi/10.1103/PhysRevB.111.205117) в журнале Physical Review Letters, был нацелен на поиск низкоэнергетического квантового состояния (основного состояния) таких систем.
«ИИ изменил многие области науки, но в квантовой физике 🌀 прорыва ещё не было», — отмечает Лян Фу, соавтор работы. «Квантовые многочастичные задачи сложны, ведь система может находиться в суперпозиции миллиардов состояний — это как “всё, везде и сразу”! Мы хотели понять, сможет ли ИИ покорить квантовый мир 💫».
Целью исследователей было оценить потенциал машинного обучения для решения сложных квантовых проблем. Они разработали FNN, чтобы раскрыть скрытые паттерны электронов в топологических квантовых жидкостях.
«Нас вдохновил успех ИИ, особенно FNN, в квантовой химии 🧪», — говорит соавтор И Тэн. «Мы доказали, что нейросети можно применять и к сложным конденсированным системам, где традиционные методы бессильны».
🌀 Дробные квантовые холловские жидкости возникают в 2D-системах под действием сильного магнитного поля. Метод Фу, Тэна и Дай позволил впервые точно описать их микроскопические свойства и конкурирующие состояния.
«Эти жидкости содержат частицы, которые не являются ни бозонами, ни фермионами 🔍 и несут дробный заряд. Даже лучшие учёные не смогли решить все загадки этого явления, поэтому мы привлекли ИИ», — поясняет Фу.
🚀 Это исследование — одно из первых, где ИИ показал потенциал в изучении экзотических состояний материи. С помощью FNN команда создала вариационный анзац — гибкую математическую модель для поиска основного состояния системы.
«Мы использовали метод Монте-Карло для минимизации энергии и обнаружили, что нейросети превосходят традиционные методы, — рассказывает Тэн. — Главное преимущество — отсутствие человеческих допущений, а нейросеть учитывает все возможные состояния электронов».
🔬 Учёные смогли предсказать переход 2D-системы из жидкости в кристалл. «Наш метод объединяет описание разных фаз (например, жидкости и кристалла Вигнера) с рекордной точностью. Это доказывает силу нейросетей в квантовой физике!» — добавляет Тэн.
В будущем модель можно улучшить для предсказания квантовых фазовых диаграмм материалов, а также для изучения неабелевых состояний и квантовых спиновых жидкостей 🌠.
«Этот проект потряс меня! Теперь я уверен: ИИ изменит квантовую науку, — восторгается Фу. — А ещё решение сложных квантовых задач станет объективным тестом для различных моделей ИИ. Представьте: без обучающих данных, только чистая физика и награда — открытие новых квантовых состояний!»
«Я хочу использовать ИИ для решения физических проблем и через них лучше понять сам ИИ», — делится планами соавтор Дэвид Дай.
© 2025 Science X Network
➡️ Больше статей в разделе [Atomic and Condensed Matter](https://www.physicsforums.com/forums/atomic-and-condensed-matter.64/)