• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  •  Science >> Science >  >> Physique
    Simulation de l'aimantation dans une chaîne de spin quantique Heisenberg
    Crédit :Google LLC

    Les progrès rapides des simulateurs quantiques leur permettent désormais d’étudier des problèmes auparavant limités au domaine de la physique théorique et de la simulation numérique. Une équipe de chercheurs de Google Quantum AI et leurs collaborateurs ont démontré cette nouvelle capacité en étudiant la dynamique des aimants quantiques 1D, en particulier les chaînes de particules de spin 1⁄2.



    Ils ont étudié un problème de mécanique statistique qui a retenu l'attention ces dernières années :un tel aimant quantique 1D pourrait-il être décrit par les mêmes équations que la neige tombant et s'agglutinant ?

    Il semble étrange que les deux systèmes soient connectés, mais en 2019, des chercheurs de l'Université de Ljubljana ont trouvé des preuves numériques frappantes qui les ont amenés à conjecturer que la dynamique de spin dans le modèle spin-1⁄2 de Heisenberg se situe dans le modèle Kardar-Parisi- Classe d'universalité de Zhang (KPZ), basée sur la mise à l'échelle de la fonction de corrélation spin-spin à température infinie.

    L'équation KPZ a été initialement introduite pour décrire la dynamique stochastique et non linéaire des interfaces pilotées et s'est avérée s'appliquer à un large éventail de systèmes classiques, tels que les fronts croissants d'incendies de forêt, qui appartiennent à la classe d'universalité KPZ. Il serait surprenant que le modèle spin-1⁄2 de Heisenberg appartienne à cette classe d'universalité, comme le conjecturent les chercheurs de Ljubljana, car il est linéaire et non stochastique, contrairement aux autres systèmes de cette classe.

    En 2022, les simulations quantiques ont commencé à éclairer cette question grâce aux expériences sur les atomes froids réalisées par des chercheurs du Max-Planck-Institut für Quantenoptik. En étudiant la relaxation d'un déséquilibre initial des spins magnétiques, ils ont trouvé des preuves expérimentales à l'appui de cette conjecture, publiée dans Science. en 2022.

    Pour explorer davantage la dynamique de spin dans ce modèle, la collaboration de Google a exploité la capacité de son processeur quantique supraconducteur à acquérir rapidement de grandes quantités de données expérimentales, permettant ainsi une étude détaillée des statistiques sous-jacentes.

    Plus précisément, à l’aide d’une chaîne de 46 qubits supraconducteurs, ils ont mesuré la distribution de probabilité du nombre de spins traversant le centre de la chaîne, une quantité connue sous le nom d’aimantation transférée. La moyenne et la variance de cette distribution ont montré un comportement compatible avec l'appartenance à la classe d'universalité KPZ, en plein accord avec les résultats du groupe Max-Planck-Institut.

    Simulation de l'aimantation dans une chaîne de spin quantique de Heisenberg. Crédit : Google LLC

    Ce n’est qu’en examinant attentivement les troisième (asymétrie) et quatrième (aplatissement) moments de l’aimantation transférée qu’ils ont trouvé des écarts clairs par rapport aux prédictions pour la classe d’universalité KPZ, indiquant que la conjecture ne tient pas sur les échelles de temps sondées dans l’expérience. .

    Généralement, mesurer la distribution d'une variable stochastique avec une précision suffisante pour que les moments les plus élevés puissent être résolus avec suffisamment de signal sur bruit est extrêmement difficile ; il nécessite un échantillonnage rapide, un niveau de contrôle élevé et, pour les processeurs quantiques, une cohérence quantique. Ce travail, publié dans Science le 5 avril 2024, représente parfaitement l'ère passionnante actuelle de la simulation quantique, dans laquelle les processeurs quantiques permettent d'approfondir notre compréhension de nouveaux phénomènes physiques.

    Plus d'informations : E. Rosenberg et al, Dynamique de l'aimantation à température infinie dans une chaîne de spins de Heisenberg, Science (2024). DOI :10.1126/science.adi7877

    Informations sur le journal : Sciences

    Fourni par Google LLC




    © Science https://fr.scienceaq.com