Resolver el problema cuántico de muchos cuerpos con redes neuronales artificiales

Área de la Ciencia:

• Física Cuántica
• Física computacional
• Aprendizaje automático

Sus antecedentes:

• El problema cuántico de muchos cuerpos es computacionalmente intensivo debido a la complejidad exponencial de las funciones de onda.
• Describir las correlaciones no triviales en los sistemas cuánticos sigue siendo un desafío significativo.

Objetivo del estudio:

• Demostrar la capacidad del aprendizaje automático para reducir la complejidad del problema cuántico de muchos cuerpos.
• Introducir una nueva representación variacional para los estados cuánticos utilizando redes neuronales artificiales.
• Presentar un esquema de aprendizaje por refuerzo para encontrar estados básicos y simular la evolución del tiempo.

Principales métodos:

• Utilizando redes neuronales artificiales con un número variable de neuronas ocultas para la representación variacional.
• Implementación de un esquema de aprendizaje por refuerzo para entrenar la red neuronal.
• Aplicación del método a modelos prototipo de giros en interacción en una y dos dimensiones.

Principales resultados:

• El aprendizaje automático reduce sistemáticamente la complejidad de la función de onda de muchos cuerpos.
• El esquema de aprendizaje por refuerzo identifica con éxito los estados básicos.
• El enfoque describe con precisión la evolución del tiempo unitario de los sistemas cuánticos complejos que interactúan.
• Se logró una alta precisión para los modelos de giros en interacción unidimensional y bidimensional.

Conclusiones:

• El aprendizaje automático ofrece un enfoque computacional tratable para el problema cuántico de muchos cuerpos.
• La representación de la red neuronal propuesta y el esquema de aprendizaje por refuerzo son efectivos para la simulación de sistemas cuánticos.
• Este método es prometedor para abordar los complejos desafíos de la física cuántica.