Simuladores quânticos estão revelando novos insights sobre ímãs quânticos 1D, comparando sua dinâmica com fenômenos como a acumulação de neve.

Os simuladores quânticos estão avançando rapidamente e agora podem resolver problemas anteriormente confinados à física teórica e à simulação numérica. Pesquisadores do Google Quantum AI e seus colaboradores demonstraram esse novo potencial explorando a dinâmica em ímãs quânticos unidimensionais, concentrando-se especificamente em cadeias de partículas de spin-1/2.

Eles investigaram um problema de mecânica estatística que tem sido o foco de atenção nos últimos anos: poderia tal ímã quântico 1D ser descrito pelas mesmas equações que a neve caindo e se aglomerando? Parece estranho que os dois sistemas estivessem conectados, mas em 2019, pesquisadores da Universidade de Ljubljana encontraram evidências numéricas impressionantes que os levaram a conjecturar que a dinâmica do spin no modelo spin-1⁄2 Heisenberg está no modelo Kardar-Parisi- Classe de universalidade Zhang (KPZ), baseada no escalonamento da função de correlação spin-spin de temperatura infinita.

Simulando magnetização em uma cadeia de spin quântico de Heisenberg. Crédito: Google LLC

A equação KPZ foi originalmente introduzida para descrever a dinâmica estocástica e não linear de interfaces acionadas e provou ser aplicada a uma ampla gama de sistemas clássicos, como frentes crescentes de incêndios florestais, que pertencem à classe de universalidade KPZ. Seria surpreendente se o modelo spin-1⁄2 de Heisenberg estivesse nesta classe de universalidade, conforme conjecturado pelos pesquisadores de Ljubljana, porque é linear e não estocástico, ao contrário dos outros sistemas desta classe.

Insights experimentais de simulações quânticas

Em 2022, simulações quânticas começaram a esclarecer esta questão com experimentos com átomos frios realizados por pesquisadores do Max-Planck-Institut für Quantenoptik. Ao estudar o relaxamento de um desequilíbrio inicial dos spins magnéticos, encontraram evidências experimentais em apoio a esta conjectura, que foi publicado em Ciência em 2022.

Para explorar ainda mais a dinâmica de spin neste modelo, a colaboração do Google aproveitou a capacidade do seu processador quântico supercondutor para adquirir rapidamente grandes quantidades de dados experimentais, permitindo um estudo detalhado das estatísticas subjacentes. Especificamente, usando uma cadeia de 46 qubits supercondutores, eles mediram a distribuição de probabilidade de quantos spins cruzaram o centro da cadeia, uma quantidade conhecida como magnetização transferida.

A média e a variância dessa distribuição apresentaram comportamento consistente com estar na classe de universalidade KPZ, em plena concordância com os achados do grupo Max-Planck-Institut. Foi somente quando examinaram cuidadosamente o terceiro (assimetria) e o quarto (curtose) momentos da magnetização transferida que encontraram desvios claros das previsões para a classe de universalidade KPZ, indicando que a conjectura não se sustenta nas escalas de tempo sondadas no experimento .

Geralmente, medir a distribuição de uma variável estocástica com precisão suficiente para que os momentos mais elevados possam ser resolvidos com relação sinal-ruído suficiente é extremamente desafiador; precisa de amostragem rápida, um alto nível de controle e, para processadores quânticos, coerência quântica. Este trabalho, publicado em Ciênciarepresenta de forma excelente a atual era emocionante da simulação quântica, na qual os processadores quânticos permitem aprofundar nossa compreensão de novos fenômenos físicos.

Referência: “Dinâmica de magnetização a temperatura infinita em uma cadeia de spin de Heisenberg” por E. Rosenberg, TI Andersen, R. Samajdar, A. Petukhov, JC Hoke, D. Abanin, A. Bengtsson, IK Drozdov, C. Erickson, PV Klimov, X. Mi, A. Morvan, M. Neeley, C. Neill, R. Acharya, R. Allen, K. Anderson, M. Ansmann, F. Arute, K. Arya, A. Asfaw, J. Atalaya, JC Bardin, A. Bilmes, G. Bortoli, A. Bourassa, J. Bovaird, L. Brill, M. Broughton, BB Buckley, DA Buell, T. Burger, B. Burkett, N. Bushnell, J. Campero, H .-S. Chang, Z. Chen, B. Chiaro, D. Chik, J. Cogan, R. Collins, P. Conner, W. Courtney, AL Crook, B. Curtin, DM Debroy, A. Del Toro Barba, S. Demura, A. Di Paolo, A. Dunsworth, C. Earle, L. Faoro, E. Farhi, R. Fatemi, VS Ferreira, L. Flores Burgos, E. Forati, AG Fowler, B. Foxen, G. Garcia, É. Genois, W. Giang, C. Gidney, D. Gilboa, M. Giustina, R. Gosula, A. Grajales Dau, JA Gross, S. Habegger, MC Hamilton, M. Hansen, MP Harrigan, SD Harrington, P. Heu , G. Hill, MR Hoffmann, S. Hong, T. Huang, A. Huff, WJ Huggins, LB Ioffe, SV Isakov, J. Iveland, E. Jeffrey, Z. Jiang, C. Jones, P. Juhas, D Kafri, T. Khattar, M. Khezri, M. Kieferová, S. Kim, A. Kitaev, AR Klots, AN Korotkov, F. Kostritsa, JM Kreikebaum, D. Landhuis, P. Laptev, K.-M. Lau, L. Laws, J. Lee, KW Lee, YD Lensky, BJ Lester, AT Lill, W. Liu, A. Locharla, S. Mandrà, O. Martin, S. Martin, JR McClean, M. McEwen, S Meeks, KC Miao, A. Mieszala, S. Montazeri, R. Movassagh, W. Mruczkiewicz, A. Nersisyan, M. Newman, JH Ng, A. Nguyen, M. Nguyen, MY Niu, TE O’Brien, S. Omonije, A. Opremcak, R. Potter, LP Pryadko, C. Quintana, DM Rhodes, C. Rocque, NC Rubin, N. Saei, D. Sank, K. Sankaragomathi, KJ Satzinger, HF Schurkus, C. Schuster, MJ Shearn, A. Shorter, N. Shutty, V. Shvarts, V. Sivak, J. Skruzny, W. Clarke Smith, RD Somma, G. Sterling, D. Strain, M. Szalay, D. Thor, A. Torres , G. Vidal, B. Villalonga, C. Vollgraff Heidweiller, T. White, BWK Woo, C. Xing, Z. Jamie Yao, P. Yeh, J. Yoo, G. Young, A. Zalcman, Y. Zhang, N. Zhu, N. Zobrist, H. Neven, R. Babbush, D. Bacon, S. Boixo, J. Hilton, E. Lucero, A. Megrant, J. Kelly, Y. Chen, V. Smelyanskiy, V. Khemani, S. Gopalakrishnan, T. Prosen e P. Roushan, 4 de abril de 2024, Ciência.
DOI: 10.1126/science.adi7877