一段時間以來，量子計算和機器學習都被吹捧為下一場大型計算機革命。 然而，專家們指出，這些技術並不是通用的工具 —— 它們只會是計算機能力在非常專門的演算法上的巨大飛躍，而且它們很少能夠處理相同的問題。他們可能合作的一個例子是，為物理學中最棘手的問題之一建模：廣義相對論與標準模型有什麼關係？
由密歇根大學和日本理研所的研究人員領導的一個團隊認為，他們可能已經開發出了這樣一種演算法。這兩個偉大的物理模型碰撞的地方並不多，但黑洞周圍就是其中之一。黑洞本身是巨大的引力井，完全由廣義相對論定義的物理學所控制。然而，無數的粒子在其事件視界周圍旋轉，這些粒子有效地不受重力的影響，但確實屬於標準模型結構，該結構直接涉及粒子的物理。
有一種長期存在的理論認為，黑洞上方粒子的運動和加速可能是黑洞自身在三維空間中所做的二維投影。這個概念被稱為“全息對偶性”，它可能為尋找相對論（即黑洞物理學）和標準模型（即粒子物理學）之間的關鍵介面提供了一種方法。
然而，全息對偶性本身對於用現代計算演算法建模具有挑戰性。因此，恩里科·里納爾迪（Enrico Rinaldi），一位密歇根大學和日本理研所的物理學家，試圖開發一個新的模型，該模型利用了兩個被大肆宣傳的計算架構 —— 量子計算和機器學習。
量子計算本身有助於對粒子物理學進行建模，因為計算平臺本身的一些物理學受制於宏觀尺度上對我們來說如此陌生的物理定律。 在這種情況下，里納爾迪博士和他的團隊使用在量子計算機上執行的演算法來模擬構成全息對偶性專案部分的粒子。
為此，他們利用了一個叫做“量子矩陣模型”的概念。與許多物理模擬一樣，模擬的最終目標是找到系統的最低能量狀態。量子矩陣模型將有助於有效地解決最佳化問題，找到投射在黑洞上方的粒子系統的最低能量狀態。
利用量子計算機的演算法並不是找到這些“基態”（系統的最低能態）的唯一方法。另一種方法是利用一種叫做神經網路的人工智慧技術。這些研究的基礎是使用與人腦中發現的系統相似的系統。
該團隊將這些演算法應用於一種矩陣模型，該模型仍然基於量子思想，但不需要量子計算。它們被稱為“量子波函式”，再次代表了黑洞表面粒子的活動。再一次，神經網路演算法能夠解決最佳化問題，並找到它的“基態”。
上圖：一個活躍的超大質量黑洞的假想圖。
根據里納爾迪博士的說法，這些新技術代表著對以前解決這些演算法的其他努力的重大改進。“人們通常使用的其他方法可以找到基態的能量，但不能找到波函式的整個結構，”里納爾迪博士解釋說。
這對於理解黑洞內部，或者標準模型和廣義相對論之間的介面意味著什麼，仍然有點像一個黑盒。理論上，應該有一種方法可以利用這些演算法定義的量子波函式型別來模擬黑洞內部。但是，根據里納爾迪的說法，這項可能導致潛在的量子引力理論的工作仍有待完成。隨著這些天花亂墜的計算體系結構越來越受歡迎，幾乎可以肯定有人會試圖揭開這個黑盒子。
如果朋友們喜歡，敬請關注“知新了了”！
