在复制量子纠缠的新方法中，额外的“幽灵”电子由一种称为神经网络的人工智能技术控制。网络会进行调整，直到找到一个可以投影回现实世界的准确解决方案，从而在没有伴随的计算障碍的情况下重新创建纠缠的影响。图片来源：Lucy Reading-Ikkanda/Simons Foundation

物理学家正在（暂时）增强现实来破解量子系统的密码。

预测分子或材料的性质需要计算其电子的集体行为。这样的预测有朝一日可以帮助研究人员开发新的药物或设计具有超导等抢手特性的材料。问题在于，电子可以变得“量子力学”相互纠缠，这意味着它们不能再单独处理。纠缠不清的连接网络变得荒谬而棘手，即使是最强大的计算机也无法直接解开任何具有超过少量粒子的系统。

现在，纽约市Flatiron研究所计算量子物理中心（CCQ）和瑞士洛桑联邦理工学院（EPFL）的量子物理学家已经回避了这个问题。他们创造了一种模拟纠缠的方法，方法是在计算中添加与系统实际电子相互作用的额外“幽灵”电子。

在新方法中，添加的电子的行为由称为神经网络的人工智能技术控制。网络会进行调整，直到找到可以投影回现实世界的准确解决方案，从而在没有伴随的计算障碍的情况下重建纠缠的影响。

物理学家于8月3日在《美国国家科学院院刊》上介绍了他们的方法。

“你可以把电子当作彼此不说话来对待，就好像它们不相互作用一样，”研究的主要作者、CCQ和纽约大学的研究生哈维尔·罗夫莱多·莫雷诺（Javier Robledo Moreno）说。“我们正在添加的额外粒子正在调解我们试图描述的实际物理系统中的实际粒子之间的相互作用。

量子纠缠的例证。图片来源：Lucy Reading-Ikkanda/Simons Foundation

在这篇新论文中，物理学家证明他们的方法在简单量子系统中匹配或超越了竞争方法。

“我们将其应用于简单事物作为测试平台，但现在我们正在将其带到下一步，并在分子和其他更现实的问题上尝试，”该研究的共同作者兼CCQ主任Antoine Georges说。“这是一件大事，因为如果你有一个很好的方法来获得复杂分子的波函数，你可以做各种各样的事情，比如设计具有特定性质的药物和材料。

Georges说，长期目标是使研究人员能够计算预测材料或分子的性质，而无需在实验室中合成和测试。例如，他们可能只需点击几下鼠标即可测试大量不同的分子以获得所需的药物特性。“模拟大分子是一件大事，”乔治说。

Robledo Moreno和Georges与EPFL物理学助理教授Giuseppe Carleo和CCQ研究员James Stokes共同撰写了这篇论文。

这项新工作是Carleo和Matthias Troyer于2017年在Science上发表的一篇论文的演变，后者目前是微软的技术研究员。这篇论文还将神经网络与虚构粒子相结合，但添加的粒子并不是成熟的电子。相反，它们只有一个称为自旋的属性。

“当我在纽约的CCQ时，我痴迷于寻找一种描述电子行为方式的神经网络版本的想法，我真的很想找到我们在2017年引入的方法的推广，”Carleo说。“通过这项新工作，我们最终找到了一种优雅的方式，使隐藏的粒子不是自旋而是电子。