В новом исследовании, опубликованном в Nature Physics, учёные впервые экспериментально наблюдали кристалл времени «рондо» — новую фазу материи, в которой дальний временной порядок сосуществует с кратковременным беспорядком.
Кристалл времени «рондо» назван в честь классической музыкальной формы, где повторяющаяся тема чередуется с контрастирующими вариациями (например, как в «Рондо alla Turca» Моцарта). В этом кристалле наблюдается идеально периодическое поведение в определённые моменты измерения, при этом демонстрируются контролируемые случайные флуктуации между этими интервалами.
«Мотивация для этого исследования проистекает из того, как порядок и вариативность сосуществуют в искусстве и природе», — объяснил Лео Мун, аспирант третьего курса кафедры прикладных наук и технологий в Калифорнийском университете в Беркли и соавтор исследования. «Повторяющиеся периодические паттерны естественным образом возникают в ранних формах искусства из-за их простоты, в то время как более сложная музыка и поэзия создают замысловатые вариации на монотонном фоне».
Аналогия с искусством и природой
Аналогия простирается за пределы эстетики и искусства. Даже такие привычные вещества, как лёд, демонстрируют эту двойственность: атомы кислорода образуют кристаллическую решётку, в то время как ядра водорода остаются хаотично расположенными. Аналогично, кристаллы времени, открытые в прошлом десятилетии, нарушают симметрию перевода времени, демонстрируя длительные периодические колебания.
Однако до сих пор исследования непериодического временного порядка были сосредоточены на детерминированных паттернах, таких как квазикристаллы. Кристалл времени «рондо» — первый, который сочетает стробоскопический порядок с контролируемым случайным беспорядком.
Экспериментальная установка
Исследователи использовали ядерные спины углерода-13 в алмазе в качестве квантового симулятора. Система состояла из случайно расположенных ядерных спинов при комнатной температуре, взаимодействующих через дальнодействующие диполь-дипольные связи.
Для гиперполяризации ядерных спинов углерода-13 использовался метод, основанный на использовании азот-вакансионных (NV) центров, которые представляют собой дефекты в алмазе, где атом азота расположен рядом с пустым узлом решётки. При освещении лазером эти NV-центры становятся спин-поляризованными, и эта поляризация может быть передана окружающим ядерным спинам через микроволновые импульсы.
Результаты исследования
Исследователи применили сложные последовательности микроволновых импульсов, сочетая защитные импульсы «спин-блокировки» со стратегически рассчитанными импульсами переворота поляризации. Эта структурированная, но частично случайная схема возбуждения создала порядок «рондо».
Команда наблюдала, как этот порядок «рондо» сохраняется более чем на 170 периодов, более четырёх секунд. Дискретное преобразование Фурье динамики предоставило доказательства новой фазы. В отличие от обычных дискретных кристаллов времени, которые демонстрируют один резкий пик в своём частотном спектре, кристалл времени «рондо» показал гладкое, непрерывное распределение по всем частотам.
Эта «убедительная» подпись подтвердила сосуществование временного порядка и беспорядка. «Порядок «рондо» показывает, что порядок и беспорядок не обязательно должны быть противоположностями — они могут сосуществовать в стабильной, управляемой квантовой системе», — сказал Мун.
Искусственный интеллект для обнаружения физических закономерностей
Системы искусственного интеллекта (ИИ), особенно искусственные нейронные сети, зарекомендовали себя как многообещающие инструменты для выявления закономерностей в больших объёмах данных, которые в противном случае было бы трудно обнаружить.
Среди множества возможных применений системы ИИ могут быть использованы для обнаружения физических отношений и символических выражений (например, математических формул), описывающих эти отношения.
Для выявления этих формул физикам в настоящее время необходимо тщательно анализировать необработанные данные, поэтому автоматизация этого процесса может быть весьма выгодной.
Исследователи из Университета Цинхуа, Пекинского университета и других институтов в Китае разработали ИИ-фреймворк, который может автоматически выводить символические физические представления из необработанных данных. Эта новая модель, называемая PhyE2E, была представлена в статье, опубликованной в Nature Machine Intelligence.
«Наша цель состояла в том, чтобы подтолкнуть ИИ за пределы подбора кривых к человекопонятному открытию: возвращению компактных, согласованных с единицами уравнений, которые учёные могут читать, тестировать и развивать», — сказал Юань Чжоу, соавтор статьи.
«Мы сосредоточились сначала на космической физике, где длинные, хорошо подобранные наблюдательные записи позволяют нам проверить, действительно ли изученные уравнения соответствуют природе. Подход сам по себе является общим, и мы ожидаем, что он распространится на другие науки».
PhyE2E, новый ИИ-фреймворк, представленный Чжоу и его коллегами, был обучен на физических данных и математических уравнениях. Во время обучения модель изучила, как выглядят правдоподобные физические формулы, путём точной настройки широко установленных физических уравнений, а затем создала другие, синтезируя различные согласованные с единицами варианты.
«PhyE2E использует трансформер для перевода данных непосредственно в символическое выражение и его единицы», — объяснил Чжоу. «Он применяет шаг «разделяй и властвуй», который проверяет вторые производные от лёгкой сети «оракула», чтобы разделить сложную задачу на более простые подформулы, и выполняет краткую доработку MCTS/GP для очистки констант и структуры. В результате получается уравнение, которое является компактным, интерпретируемым и согласованным с единицами измерения».
В рамках своего недавнего исследования исследователи протестировали свой фреймворк как на синтетических данных, сгенерированных большой языковой моделью (LLM), так и на реальных астрофизических данных, собранных NASA.
В конечном итоге они смогли вывести формулы, описывающие физические отношения в данных, связанных с пятью реальными сценариями космической физики. Примечательно, что формулы, полученные с помощью ИИ, соответствовали тем, что были получены физиками-людьми, или, по-видимому, представляли данные даже лучше.
Например, при анализе данных, опубликованных NASA в 1993 году, модель получила улучшенную формулу, объясняющую солнечные циклы математически. Кроме того, она смогла эффективно представить взаимосвязи между солнечной радиацией, температурой и магнитными полями.
По сути, новая ИИ-модель, разработанная в ходе этого исследования, учится разбивать сложные физические задачи на более простые части. Опираясь на существующие и хорошо зарекомендовавшие себя уравнения, она может генерировать новые формулы, которые эффективно описывают взаимосвязь между различными переменными.
«Хотя тривиально написать длинное выражение, которое интерполирует данные, и заманчиво отдать предпочтение очень коротким, ни одно из них не гарантирует физического смысла — многие формулы-кандидаты даже нарушают согласованность размерностей (единиц измерения)», — сказал Чжоу. «Мы используем последние достижения в области больших языковых моделей, чтобы изучить априорно известные, согласованные с единицами уравнения, а затем настраиваем их так, чтобы система предлагала компактные, физически правдоподобные выражения, несущие подлинную информацию. Мы рассматриваем это как первый шаг к абстрагированию и расширению научного опыта для обеспечения автоматизированного открытия».
PhyE2E может быть вскоре использован для анализа других экспериментальных и астрофизических данных, что может привести к созданию формул, которые лучше описывают конкретные физические явления или взаимодействия. В будущем его можно будет адаптировать и применить в других дисциплинах, потенциально способствуя научным открытиям в различных областях.
«Мы расширяем рамки до операторов, учитывающих исчисление (например, производные/интегралы для законов в стиле PDE), повышая устойчивость к более шумным лабораторным данным», — добавил Чжоу. «В более широком смысле, основная цель нашего исследования — продвинуть нейросимволическую методологию так, чтобы предсказания из глубоких нейронных сетей были интерпретируемыми. В то же время мы надеемся, что интеграция объяснимости как принципа проектирования может повысить способность системы ИИ выявлять более точные и надёжные научные законы».