Kvant hüceyrəli avtomat (quantum cellular automaton, QCA), kvant informasiyası daşıyan lokal hüceyrələrin müəyyən qonşuluq qaydasına əsasən təkrarlanan kvant qapıları ilə qatdan-qata emal edildiyi kvant hesablama arxitekturasıdır. Bu tədqiqat dissipativ kvant çoxcisim fizikasındakı faza keçidi, zəif \(\mathbb{Z}_2\) simmetriyası və keçici erqodiklik pozulması mexanizmlərindən istifadə edərək QCA-nın ikili təsnifat qabiliyyətinin yalnız əvvəlcədən əl ilə seçilmiş fiziki parametrlərlə ortaya çıxmadığını, təlim məlumatlarından gradient-əsaslı optimallaşdırma ilə öyrənilə bildiyini göstərən nəzəri və ədədi tədqiqatdır.
Model lokal qarşılıqlı təsir və dissipasiya ehtiva edən \(\mathbb{Z}_2\)-simmetrik dissipativ Ising dinamikasından ilhamlanmışdır. Termodinamik həddə bu fiziki model paramaqnit və ferromaqnit rejimlər arasında fasiləsiz faza keçidi göstərə bilər. Ferromaqnit rejimdə \(x\)-maqnitlənməsinin stationary order parameter-i \(m_\infty^x\), bir-biri ilə simmetriya vasitəsilə bağlı müsbət və mənfi iki dəyərdən birini ala bilər. Başlanğıc vəziyyətinin hansı cazibə hövzəsində olması sistemin hansı sabit nöqtəyə gedəcəyini müəyyən edir.
Lakin tədqiqatda istifadə olunan QCA sonlu ölçülüdür. Sonlu sistemdə daimi spontan simmetriya pozulması və sonsuza qədər davam edən sərt erqodiklik pozulması gözlənilmir. Bunun əvəzinə müəlliflər ara qatlarda iki kvazi-sabit nöqtə ətrafında qruplaşmanın yarandığı bir keçici qeyri-erqodik pəncərə göstərir. QCA-nın çıxış qatı bu zaman pəncərəsinə yerləşdirildikdə makroskopik olaraq fərqli iki \(m^x\) dəyəri iki sinif kimi oxuna bilər. Daha uzun zamanda isə bütün başlanğıc vəziyyətləri tək stationary state-ə yaxınlaşır və \(m^x\rightarrow0\) olur; yəni erqodiklik geri qayıdır.
Faza keçidinin əsas nizam parametri qatda olan bütün kubitlərin normallaşdırılmış \(x\)-maqnitlənməsidir. Mean-field hesablamaları ferromaqnit faza sahəsi proqnozlaşdırır. Bir ölçüdə nearest-neighbor correlations nəzərə alındıqda bu ferromaqnit sahə kiçilir, lakin mənbədə araşdırılan keçid fasiləsiz qalır və \(\mathbb{Z}_2\) simmetriya pozulması xarakterini qoruyur.
Birbaşa QCA simulyasiyalarında \(\Omega=3\kappa\), \(V=15\kappa\) və \(\kappa\delta t=0.1\) istifadə olunur. Başlanğıc order parameter dəyərləri \(m_0^x\in[-0.5,0.5]\) intervalını əhatə edən 2.000 vəziyyətin təkamülündə \(N=10\) üçün keçici iki-klasterli quruluş görünür; \(N=100\)-də eyni bimodal quruluş daha aydın, histogram zirvələri isə daha kəskin olur. Bu ölçü asılılığı kvazi-sabit nöqtə davranışının emergent many-body xarakterini dəstəkləyir.
Təlim nümayişində Hamiltonian sabit saxlanılır və yalnız jump operator:
daxilindəki iki həqiqi parametr \(a\) və \(b\) optimallaşdırılır. Dörd input–target təlim cütü təsnifat edə bilən istinad QCA-dan yaradılır. Təsnifat etməyən \(a=-0.15,\;b=-1\) başlanğıc nöqtəsindən başlayan QCA \(L=10\) dərinlikdə, \(\epsilon=80\) learning rate və əsas nümayişdə 100 parameter-update təkrarı ilə öyrədilir. Təlimdən sonra birzirvəli output-magnetization paylanması iki aydın zirvəyə ayrılır; bu iki zirvə ikili təsnifat davranışıdır.
İtki funksiyası bütün kvant çıxış vəziyyətinin bir target state ilə fidelity-sini ölçmək əvəzinə fiziki order parameter-dəki xətanı ölçür. Mənbədə \(N=20\) üçün \((a,b)\) parametr müstəvisində loss landscape-in geniş və aydın minimum göstərdiyi göstərilir. Müəlliflər bu physics-informed loss quruluşunun böyük vəziyyət fəzalarında yarana bilən barren-plateau tipli trainability problemlərinə qarşı üstünlük verə biləcəyini irəli sürür. Lakin tədqiqat bütün QCA və ya kvant neyron şəbəkələri üçün barren plateau-nun riyazi olaraq aradan qaldırıldığını sübut etmir.
Tədqiqatdakı “large-scale” ifadəsi fiziki böyük kvant prosessorunun eksperimental olaraq öyrədildiyi mənasına gəlmir. Ədədi hesablamalar matrix product states və matrix product operators istifadə edən tensor-network simulyasiyaları ilə klassik hesablama mühitində aparılmışdır. Mənbədə müzakirə olunan vəziyyət fəzası \(N=20\) üçün \(4^N\times4^N\), təxminən \(10^{24}\) miqyasına çatır; tensor-network representation bu böyük fəzanı tam sıx matris şəklində saxlamağa ehtiyac olmadan müvafiq quruluşun sıxılmış formada emalına imkan verir.
Tədqiqatın əsas problemi
Ümumi kvant maşın öyrənməsi arxitekturasında iki ayrı problem var. Birincisi, kvant dinamikasının hansı fiziki xüsusiyyətinin məlumat emalında istifadə ediləcəyini anlamaqdır. İkincisi isə bu xüsusiyyəti yaradan parametrlərin təlim məlumatlarından etibarlı şəkildə öyrənilib-öyrənilə bilməməsidir.
Bu tədqiqat təsnifatı birbaşa çoxcisim sistemindəki faza keçidi, simmetriya pozulması, kvazi-sabit nöqtə və order parameter anlayışlarına bağlayır. Beləliklə təsnifat üçün abstrakt yüksəkölçülü target-state fidelity əvəzinə fiziki cəhətdən şərh oluna bilən makroskopik kəmiyyət istifadə olunur.
Klassik Hopfield şəbəkələrində cazibə hövzələri və sabit nöqtələr yaddaş və ya nümunə kimi şərh oluna bilər. Mənbə oxşar fiziki məntiqin dissipativ quantum many-body dynamics daxilində QCA informasiya emalı funksiyasına çevrilə biləcəyini araşdırır. Burada əsas fikir müxtəlif başlanğıc vəziyyətlərinin müvəqqəti olaraq bir-birindən ayrılan iki makroskopik dinamik yola yönəlməsidir.
Kvant Hüceyrəli Avtomat Bu Tədqiqatda Təsnifatı Necə Aparır?
Bu tədqiqatdakı kvant hüceyrəli avtomat başlanğıc kvant vəziyyətlərini dissipativ Ising-bənzər dinamika altında inkişaf etdirərək keçici qeyri-erqodik zaman pəncərəsində \(x\)-maqnitlənməsini bir-birinə \(\mathbb{Z}_2\) simmetriyası ilə bağlı iki kvazi-sabit dəyərdən birinə yönəldir; QCA-nın çıxış qatı bu pəncərəyə yerləşdirildikdə müsbət və mənfi order-parameter qrupları iki ayrı sinif kimi oxunur, lakin uzun zamanda bu ayrılma yox olur və sistem yenidən tək stationary state-ə yaxınlaşır.
QCA-nın həndəsəsi və qat məntiqi
Mənbə QCA-nı ikiölçülü kubit qəfəsi üzərində müəyyən edir. Şaquli istiqamətdə \(N\) site, üfüqi istiqamətdə isə \(L+1\) qat mövcuddur.
Hər site iki əsas vəziyyətə malik kubitdir:
Şaquli sütun müəyyən \(t\) zaman indeksindəki QCA qatıdır. İlk qata:
giriş kvant vəziyyəti yerləşdirilir. Sonrakı qatlar başlanğıcda vakuum vəziyyətindədir.
Üfüqi istiqamət fiziki fəza koordinatı olmaq məcburiyyətində deyil; QCA-nın təkrarlanan hesablama/zaman istiqaməti kimi şərh olunur. Beləliklə:
qatları dissipativ kvant spin zəncirinin diskret zaman nümunələri kimi davranır.
Kvant vəziyyəti bir qatdan digərinə necə ötürülür?
Mənbə QCA vəziyyət yenilənməsini Tənlik (1) ilə müəyyən edir:
Formula nəyi hesablayır? Əvvəlki qatın reduced density matrix-i \(\rho_{t-1}\)-dən yeni qatın reduced density matrix-i \(\rho_t\)-ni yaradır.
\(\rho_{t-1}\): əvvəlki QCA qatındakı kvant vəziyyətidir.
\(|\mathbf 0\rangle\langle\mathbf 0|\): yeni qatda kubitlərin başlanğıc vakuum vəziyyətidir.
\(\mathcal G\): iki qonşu qat üzərində tətbiq olunan global quantum gate-dir.
\(\mathcal G^\dagger\): global gate-in Hermitian conjugate-ıdır.
\(\mathrm{Tr}_{t-1}\): köhnə qatın degrees of freedom-ları üzərində partial trace alır. Başqa sözlə, köhnə qat artıq çıxış sisteminin hissəsi deyil.
Bu məqam dissipativ dinamikanı anlamaq üçün vacibdir. İki qat birlikdə daha böyük kvant sistemində gate evolution keçirərkən əvvəlki qatın trace edilməsi yeni qatın reduced dynamics-ini ümumən nonunitary edir. Beləliklə gate-based QCA Markovian open-quantum-system dinamikasına yaxınlaşa bilər.
Global gate necə yaradılır?
Lokal qapılar:
qonşu iki qatın \(k\). site-i ətrafında fəaliyyət göstərir. Global iki-qat gate sərhəd terminləri istisna olmaqla:
şəklində yaradılır.
Mənbənin Tənlik (2)-si:
Burada mənbə:
tərifindən istifadə edir.
Sağdakı eksponensial termin:
əvvəlki qatda sistemin \(H_k\) lokal Hamiltonianı altında coherent evolution yaradır.
Ortadakı eksponensial termin:
köhnə və yeni qat arasında \(J_k\) jump operator-larına bağlı qarşılıqlı təsiri yaradır. Yeni qatla qarşılıqlı təsirdən sonra köhnə qatın trace edilməsi effective dissipative dynamics yaradır.
\(\mathrm{SWAP}_k\): müvafiq köhnə və yeni qat kubitlərinin vəziyyətlərini dəyişdirir.
\(\delta t\): diskret zaman addımıdır. Mənbə \(\delta t\ll1\) həddində qat yenilənməsinin fasiləsiz Markovian dissipative dynamics-ə yaxınlaşdığını istifadə edir.
QCA ilə Lindblad dinamikası arasındakı əlaqə
Kiçik \(\delta t\) üçün:
Buradakı \(\mathcal L\) Lindblad generatorudur:
\([\ ,\ ]\): commutator-dur. İlk termin Hamiltonian mənşəli coherent quantum dynamics-i təmsil edir.
\(\{\ ,\ \}\): anticommutator-dur.
\(J_k\bullet J_k^\dagger-\frac12\{J_k^\dagger J_k,\bullet\}\): Lindblad dissipator-un jump-process contribution hissəsidir.
\(\bullet\): superoperator-un təsir etdiyi density operator üçün istifadə olunan yer tutucudur.
Beləliklə tədqiqat yalnız “kvant dövrəsi qatları” dili ilə məhdudlaşmır; eyni QCA-nı dissipativ many-body quantum dynamics baxımından şərh edir. Təsnifat mexanizminin fiziki izahı da bu əlaqə üzərindən qurulur.
Ising-bənzər lokal Hamiltonian və dissipasiya
Mənbə xüsusi təsnifləndirici model üçün:
istifadə edir.
\(\Omega\): transverse field strength-dir.
\(V\): nearest-neighbor spin interaction strength-dir.
\(\kappa\): \(z\)-basis-də local decay rate-dir.
\(\sigma_k^-\): lowering operator-dur.
Faza diaqramında təbii ölçüsüz idarəetmə parametrləri:
kimi istifadə olunur. Beləliklə mütləq enerji/tezlik miqyasından daha çox coherent drive və interaction-ın decay scale-ə görə böyüklüyü müqayisə olunur.
Zəif \(\mathbb{Z}_2\) Simmetriyası Təsnifat üçün Niyə Vacibdir?
Zəif \(\mathbb{Z}_2\) simmetriyası Lindblad generator-un global \(z\)-parity çevrilməsi altında dəyişməz qalmasını və \(m^x\) order parameter-in bir-biri ilə simmetriya vasitəsilə bağlı \(+m^x\) və \(-m^x\) dinamik qollarının yaranmasını təmin edir; termodinamik modeldə bu iki qol symmetry-broken fixed points yaradır, sonlu QCA-da isə eyni quruluş keçici iki kvazi-sabit nöqtə kimi görünür və bu iki makroskopik çıxış ikili təsnifatın fiziki əsasını təşkil edir.
Zəif simmetriya riyazi olaraq necə yazılır?
Mənbə global parity superoperator-u:
ilə müəyyən edir.
Weak symmetry şərti:
şəklindədir.
Bu, Lindblad evolution ilə parity transformation-ın uyğun olduğunu ifadə edir. Başlanğıc vəziyyətinin parity-çevrilmiş tərəfdaşının dinamikası orijinal dinamikanın parity-çevrilmiş qarşılığıdır.
\(\sigma^z\) çevrilməsi altında \(x\)-maqnitlənməsi işarə dəyişir. Buna görə bir-birinin simmetriya tərəfdaşı olan iki vəziyyət:
şəklində uyğunlaşa bilər.
Erqodiklik nədir?
Bu tədqiqatın kontekstində erqodiklik uzun-zaman davranışının başlanğıc vəziyyəti haqqında məlumatı itirməsi və müxtəlif başlanğıc vəziyyətlərinin eyni stationary behavior-a yönəlməsi ilə əlaqəlidir.
Erqodiklik pozulduqda isə müxtəlif initial conditions müxtəlif attraction basin-lərdə ola və fərqli uzun-zaman və ya metastable/quasi-stationary quruluşlara yönələ bilər.
Bu fərq təsnifat baxımından təbiidir:
- eyni basin-ə yönələn girişlər eyni sinfə,
- digər basin-ə yönələn girişlər digər sinfə
təyin edilə bilər.
Fixed point ilə quasi-fixed point arasındakı fərq
Fixed point, dinamikanın həqiqətən dəyişmədən qala bildiyi stationary vəziyyətdir.
Quasi-fixed point, sonlu zaman intervalında dinamikanın yaxınlığında uzun müddət qala bildiyi, lakin sonsuz zamanda daimi olması məcburi olmayan metastable-bənzər dinamik quruluşdur.
Bu məqalənin QCA təsnifatı üçün ikinci anlayış kritikdir. Sonlu QCA-nın iki sinfi daimi iki stationary state deyil; transient window daxilindəki iki quasi-fixed pointtir.
Order parameter necə müəyyən edilir?
Mənbə magnetization components-ı:
ilə müəyyən edir.
\(N\): bir qatda kubitlərin sayıdır.
\(\sigma_k^\mu\): \(k\). site-dəki Pauli operatorudur.
\(\rho_t\): \(t\). qatın density matrix-idir.
\(m_t^\mu\): bütün qata yayılmış normallaşdırılmış kollektiv magnetization-dır.
Mənbənin normallaşdırmasına görə saf product-state sampling-də tək-kubit Bloch komponentlərinə uyğun \(m^\mu\) dəyərlərinin təbii həddi:
olur.
Mean-field yanaşması nədir?
Mean-field approximation çoxcisim density matrix-ini translation-invariant tək-site vəziyyətlərinin hasili ilə yaxınlaşdırır:
Bu yanaşmada site-lər arasındakı connected quantum correlations ayrıca müstəqil dəyişənlər kimi saxlanılmır. Hər site digərlərinin orta təsirini hiss edir.
Mənbənin birölçülü mean-field equations-ı:
Tənlik (6a) nəyi izah edir?
ifadəsində \(-\Omega m^y\), transverse-field mənşəli coherent rotation coupling-i; \(-\kappa m^x/2\) isə dissipative decay-in \(x\)-magnetization üzərində sönümləndirici təsirini göstərir.
Tənlik (6b) nəyi izah edir?
ifadəsi field-induced rotation ilə many-body interaction contribution-ını birləşdirir. \(2Vm^xm^z\) qeyri-xətti termini səbəbindən kollektiv dinamika yalnız müstəqil tək-kubit fırlanmalarından ibarət deyil.
Tənlik (6c) nəyi izah edir?
ifadəsində interaction term \(x\) və \(y\) magnetization komponentləri vasitəsilə \(z\) komponentinə təsir edir. Dissipative term sistemi mənbənin normallaşdırmasında \(m^z=-1/2\) istiqamətinə aparır.
Fazaları ayıran order parameter
Stationary \(x\)-magnetization:
fazanı ayırmaq üçün istifadə olunur.
| Rejim | Stationary \(m_\infty^x\) | Simmetriya | Dinamik şərh |
|---|---|---|---|
| Paramaqnit (PM) | \(0\) | \(\mathbb{Z}_2\) pozulmayıb | Tək stationary həll |
| Ferromaqnit (FM) | \(\neq0\) | \(\mathbb{Z}_2\) pozulub | \(+m_\infty^x\) və ya \(-m_\infty^x\); başlanğıc vəziyyətindən asılı iki qol |
Nearest-neighbor correlations niyə ayrıca araşdırılır?
QCA birölçülü spin zənciri dinamikasına uyğun gəldiyi üçün fluctuations və spatial correlations mean-field approximation-ın proqnozlarını dəyişə bilər. Buna görə müəlliflər bir nearest-neighbor bond üzərindəki ikicisim korrelyasiyalarını açıq şəkildə saxlayan daha inkişaf etmiş yaxınlaşma yaradırlar.
Mənbənin nəticəsinə görə nearest-neighbor correlations:
- ferromaqnit fazanın parametr fəzasındakı sahəsini kiçildir,
- lakin araşdırılan PM–FM faza keçidinin fasiləsiz xarakterini dəyişmir,
- \(\mathbb{Z}_2\) symmetry-breaking mexanizmini aradan qaldırmır.
Nearest-neighbor yanaşmasının əsas sıxlıq matrisi
Supplementary Material tək-site və iki-site reduced density matrices-i:
ilə müəyyən edir.
Tək nearest-neighbor bond üzərindəki connected correlation:
şəklindədir.
Mean-field vəziyyət:
olduğuna görə saf mean-field həddində:
Korrelyasiyalı trial state-in əsas quruluşu:
Bu yanaşmada seçilmiş nearest-neighbor bond üzərindəki iki-site correlation açıq şəkildə qorunur, ətrafdakı digər site-lərin təsiri isə mean-field səviyyəsində saxlanılır.
Koordinasiya sayı \(q\) nəyi ifadə edir?
Əlavə material modeli ümumi \(d\)-ölçülü hypercubic lattice üzərində yazır:
\(q\), bir site-in nearest-neighbor sayıdır. Ümumi bond sayı:
olur. QCA üçün nəzərdən keçirilən birölçülü halda:
Buna görə tək-bond korrelyasiya düzəlişi aşağı ölçüdə nəzərə alınmayacaq qədər kiçik deyil.
Tək-site və iki-site Hamiltonian hissələri
Supplementary Material:
və:
ayrımından istifadə edir.
İki-body reduced density matrix-in exact dynamics-i ümumən üç-body density matrix-ə bağlandığı üçün BBGKY-bənzər hierarchy yaranır. Bu hierarchy öz-özünə qapalı deyil. Mənbə:
yanaşması ilə seçilmiş \(a,b\) bond-unu exact saxlayıb ətrafı factorized mean-field kimi götürərək sistemi bağlayır.
İki-site density matrix-in Pauli bazisində açılımı
İki kubitlik reduced density matrix Pauli basis üzərində:
şəklində ifadə olunur.
İki-point correlation functions:
Tək-site magnetization components isə translation invariance altında:
Bu parametrizasiya nəticəsində üç one-point və doqquz two-point quantity olmaqla ümumilikdə 12 müstəqil dinamik dəyişən əldə edilir.
Nearest-neighbor korrelyasiyalı 12 hərəkət tənliyi
Mənbənin Supplementary Material-ında faza diaqramının correlation-corrected versiyasını yaratmaq üçün aşağıdakı tənlik sistemi istifadə olunur:
Bu tənliklərdə iki fərqli fiziki töhfə görünür. Seçilmiş bond üzərindəki terms \(Vm^{z,x}\), \(Vm^{y,x}\) kimi explicit two-point correlations ehtiva edir; digər \(q-1\) qonşunun təsiri isə \(V(q-1)m^\alpha m^\beta\) formasındakı mean-field terms vasitəsilə gəlir.
Mənbənin mühüm ölçü nəticəsi budur: bir ölçüdə \(q=2\) olduğundan exact saxlanılan tək-bond korrelyasiyası ilə ətrafdakı mean-field contribution eyni mərtəbədədir. \(q\gg1\) olan yüksək ölçülərdə isə bir bond-un contribution-ı nisbi olaraq kiçilir və mean-field yanaşması daha təbii olur.
Yüksək koordinasiya sayında mean-field həddi
\(q\gg1\) üçün:
factorization istifadə edildikdə sistem:
tənliklərinə enir.
Bir ölçü üçün \(q=2\) qoyulduqda əsas mətndəki Tənlik (6a)–(6c) yenidən alınır.
Tədqiqatın Metodu və Nəticələri
Faza diaqramının analizi
Müəlliflər əvvəlcə dissipativ Ising-inspired modelin stationary phase diagram-ını mean-field ilə həll edirlər. Üfüqi ox:
dimensionless field strength, şaquli ox:
dimensionless interaction strength-dir.
Mean-field phase map iki əsas sahə göstərir:
- \(m_\infty^x=0\) olan paramaqnit sahə,
- \(|m_\infty^x|>0\) olan ferromaqnit symmetry-broken sahə.
Nearest-neighbor correlations daxil edildikdə FM sahəsi kiçilir. Mənbə \(V=3\kappa\) xətti üzrə kəsikdə həm mean-field, həm də correlation-corrected həllin PM–FM keçidini fasiləsiz göstərdiyini bildirir.
Mənbə qrafikinin xam grid dəyərləri verilmədiyi üçün Verianla konkret \(\Omega/\kappa\) kritik dəyərini vizualdan oxuyub dəqiq rəqəm kimi yaratmır.
Finite-size QCA-da transient ergodicity breaking
Birbaşa QCA simulyasiyasında istifadə olunan əsas şərtlər:
| Parametr | Mənbə dəyəri | Mənası |
|---|---|---|
| \(\Omega\) | \(3\kappa\) | Transverse field |
| \(V\) | \(15\kappa\) | Nearest-neighbor interaction |
| \(\kappa\delta t\) | 0.1 | Ölçüsüz diskret zaman addımı |
| Initial states | 2.000 | \(m_0^x\in[-0.5,0.5]\) intervalını əhatə edən başlanğıc vəziyyətləri |
| Sistem ölçüləri | \(N=10\) və \(N=100\) | Hər layer üçün kubit sayı |
| \(\chi_{\mathrm{MPS}}\) | 48 | Matrix-product-state bond dimension |
| \(\chi_{\mathrm{MPO}}\) | 16 | Matrix-product-operator bond dimension |
| Histogram qatı | \(t=8\) | Transient bimodality-nin araşdırıldığı qat |
| Histogram bin size | 0.005 | Mənbə histogramının bin eni |
\(N=10\) və \(N=100\) müqayisəsi
\(N=10\)-da 2.000 magnetization trajectory ara qatlarda iki quasi-fixed value ətrafında sıxlaşmağa başlayır və \(t=8\) histogramı bimodal quruluş göstərir.
\(N=100\)-də iki qrupun histogram zirvələri daha hündür və daha kəskin olur. Mənbə bunu quasi-fixed point-lərin sistem ölçüsü artdıqca daha aydın olan emergent davranışı kimi şərh edir.
Lakin bu iki zirvə sonsuz zamanda sabit qalmır. Daha böyük QCA dərinliyində trajectories tək \(m^x=0\) stationary state-ə yaxınlaşır.
Başlanğıc vəziyyətlərinin necə yaradıldığı
Supplementary Material-da əvvəlcə \(n=1000\) translation-invariant product states yaradılır:
Tək-kubit saf vəziyyət:
Bloch-sphere bucaqları magnetization components vasitəsilə:
və:
şərti ilə müəyyən edilir.
Niyə arctan2 istifadə olunur?
Adi \(\arctan(y/x)\), \(x\) və \(y\)-nin işarə məlumatına görə hansı quadrant-da yerləşildiyini təkbaşına etibarlı şəkildə ayıra bilmir. \(\operatorname{arctan2}(y,x)\), \(x\) və \(y\) işarələrini birlikdə istifadə edərək düzgün \(\phi\in(-\pi,\pi]\) bucağını seçir.
İlk 1.000 state necə uniform paylanır?
Mənbə əvvəlcə:
intervalında uniform sampling aparır.
Sonra:
ilə digər iki component müəyyən edilir.
Bu sampling Bloch sphere üzərində Haar-uniform sampling kimi müəyyən edilməyib. Mənbənin məqsədi \(m_0^x\) order parameter oxunu bias yaratmadan əhatə etməkdir.
Digər 1.000 başlanğıc vəziyyəti necə əldə edilir?
İkinci 1.000 vəziyyət müstəqil şəkildə yenidən nümunələnmir; ilk 1.000 vəziyyətin \(\mathbb Z_2\) tərəfdaşları yaradılır:
Bunun nəticəsi:
olur.
QCA map-i \(\Lambda\) üçün weak symmetry:
olduğuna görə bütün qatlarda:
simmetriyası qorunur.
Bu sampling üsulu niyə vacibdir?
Əgər başlanğıc vəziyyətləri \(m_0^x\) baxımından balanssız nümunələnsəydi, output histogramındakı iki zirvənin hündürlük və ya sıxlıq quruluşu sampling bias-dan təsirlənə bilərdi. Buna görə mənbə \(m_0^x\) oxunu simmetrik şəkildə əhatə edən 2.000 vəziyyət yaradır.
Öyrədilə bilən jump operator
Classification-capable fiziki modeldə jump operator:
şəklindədir. Təlimin məqsədi isə QCA-nın bunu birbaşa bilmədən uyğun dissipative coupling-i öyrənib-öyrənə bilməyəcəyini araşdırmaqdır.
Bunun üçün iki trainable real parameter istifadə olunur:
\(a\): \(\sigma^x\) contribution-ının həqiqi əmsalıdır.
\(b\): \(i\sigma^y\) contribution-ının həqiqi əmsalıdır.
Bu parametrizasiya uyğun \(a,b\) dəyərləri üçün mənbə Ising jump operator-ını da əhatə edir.
Təlim zamanı \(H_k\) Hamiltonian-ları yenilənmir. Yəni tədqiqat bütün QCA gate structure-ını sərbəst şəkildə optimallaşdırmır; yalnız jump operator-un iki global parametrini öyrədir.
Təlim məlumatı necə hazırlanır?
Mənbə təlim məlumatını:
input state–target magnetization cütləri kimi müəyyən edir.
Əsas təlim nümayişində:
Bu dörd target pair təsnifat xüsusiyyətinə malik istinad QCA-nın təkamülündən alınır.
İstinad QCA:
dəyərlərindən istifadə edir və bu seçim \(\sigma^-\)-tipli jump operator-u həyata keçirir.
Bu məqamı 2.000 trajectories ilə qarışdırmamaq lazımdır: model dörd training pair ilə öyrədilir; 2.000 başlanğıc vəziyyəti təlimdən əvvəl/sonra dinamik təsnifat quruluşunu vizuallaşdırmaq üçün istifadə olunur.
Order Parameter Əsaslı İtki Funksiyası Niyə Vacibdir?
Tədqiqatın order parameter əsaslı itki funksiyası yüksəkölçülü kvant çıxış vəziyyətinin hamısını target state ilə müqayisə etmək əvəzinə yalnız təsnifatı fiziki olaraq daşıyan makroskopik \(x\)-maqnitlənməsinin hədəf dəyərdən sapmasını cəzalandırır; mənbədə bu seçim \((a,b)\) parametr müstəvisində geniş və aydın minimumlara malik strukturlaşdırılmış loss landscape yaradır və gradient-descent təliminin böyük vəziyyət fəzasında tətbiq oluna bilən qalmasına kömək edir.
İtki funksiyasının tam quruluşu
Mənbə Tənlik (8):
Formula nəyi hesablayır? Hər training sample üçün QCA output order parameter ilə hədəf output magnetization arasındakı fərqi hesablayır, kvadratını alır və bütün \(P\) nümunə üzrə ortalayır.
\(\rho_{\mathrm{out}}^{(\nu)}\): \(\nu\). input state-in QCA çıxış density matrix-idir.
\(m_{x,\mathrm{out}}^{(\nu)}\): \(\nu\). nümunə üçün tələb olunan target output magnetization-dır.
\(\frac1{2N}\sum_k\sigma_k^x\): fiziki classification observable-dır.
Bu loss bütün quantum state amplitudes-in bir-bir target state ilə uyğunlaşmasını məcbur etmir. Təsnifat üçün vacib olan tək makroskopik output quantity-ni optimallaşdırır.
Barren plateau ilə əlaqə
Barren plateau bəzi parametrik quantum circuits-də sistem böyüdükcə cost-function gradient-lərinin çox kiçik olması və optimization landscape-in böyük sahələrdə demək olar ki, düzləşməsi problemidir.
Mənbədə order-parameter loss-un \((a,b)\) müstəvisindəki landscape-i strukturlaşdırılmış və geniş minimum göstərir. Müəlliflər bunun physics-informed architecture və physical order-parameter loss ilə əlaqəli olduğunu müzakirə edirlər.
Lakin nəticə belə məhdudlaşdırılmalıdır:
- tədqiqat araşdırılan QCA-nın trainable olduğunu ədədi olaraq göstərir,
- loss landscape-in broad minima ehtiva etdiyini göstərir,
- fidelity-type losses ilə tanınan barren-plateau problemlərinə konseptual qarşılıq qurur,
- lakin bütün QCA-larda və ya bütün sistem ölçülərində barren plateau olmayacağını riyazi olaraq sübut etmir.
Gradient update
Jump operator parametrləri:
şəklində yenilənir.
Burada:
\(\widetilde a,\widetilde b\), loss-u ən sürətlə azaldan steepest-descent istiqamətini müəyyən edir; \(\epsilon\) isə learning rate-dir.
Əsas təlim şərtləri
| Element | Dəyər |
|---|---|
| QCA depth | \(L=10\) |
| Loss-landscape sistem ölçüsü | \(N=20\) |
| Training pair | \(P=4\) |
| Reference/teacher jump parameters | \(a=1/2,\;b=-1/2\) |
| Untrained başlanğıc | \(a=-0.15,\;b=-1\) |
| Hamiltonian | \(\Omega=3\kappa,\;V=15\kappa\), təlimdə sabit |
| Learning rate | \(\epsilon=80\) |
| Əsas Şəkil 4 update repetitions | 100 |
| \(\chi_{\mathrm{MPS}}\) | 48 |
| \(\chi_{\mathrm{MPO}}\) | 16 |
| Output paylanmasını göstərən initial states | 2.000 |
| Histogram bin size | 0.005 |
Təlimdən əvvəl nə baş verir?
\(a=-0.15,\;b=-1\) parametrləri ilə başladılan untrained QCA iki quasi-fixed output class yaratmır. \(L=10\) output qatındakı \(m_{10}^x\) histogramı mənbədə tək zirvə ətrafında toplanır.
Təlimdən sonra nə baş verir?
100 parameter update-dən sonra output trajectories iki fərqli magnetization ətrafında sıxlaşır. Mənbə Şəkil 4 bunları class A və class B kimi göstərir və output histogramı iki aydın zirvə ehtiva edir.
Bu, QCA-nın başlanğıcda olmayan binary classification capability-ni training data-dan əldə etdiyinin mənbə daxilində birbaşa nümayişidir.
Niyə yalnız iki parametrlə təsnifat öyrənilə bilir?
Bu təcrübə ümumi kvant neyron şəbəkəsindəki milyonlarla sərbəst parametri optimallaşdırmır. Fiziki model təsnifat mexanizmini mümkün edə biləcək architecture və symmetry structure-i artıq ehtiva edir. Təlim yalnız sistemin dissipative jump operator-ını uyğun physical regime-ə aparan iki coupling parameter-i tapmağa çalışır.
Buna görə tədqiqat “istənilən kvant modeli dörd nümunə ilə öyrətmək olar” nəticəsini dəstəkləmir. Dörd training pair fiziki olaraq əvvəlcədən qurulmuş bu spesifik iki-parametrli demonstration üçün kifayət etmişdir.
Vəziyyət fəzası niyə çox böyükdür?
Bir \(N\)-kubit saf state-in Hilbert-space dimension-ı eksponensial artır. Density-operator/superoperator description daha böyük obyektlər tələb edir. Mənbə araşdırılan state spaces üçün:
miqyasını verir.
\(N=20\) üçün:
və beləliklə uyğun iki-indeksli miqyas:
mərtəbəsindədir.
Bu rəqəm mənbənin “\(\sim10^{24}\)” ifadəsinin nə demək olduğunu öyrətmək üçün arifmetik olaraq açılmışdır; yeni simulyasiya nəticəsi deyil.
Tensor network niyə lazımdır?
Tam density matrices və superoperators birbaşa saxlanıldıqda eksponensial böyüyən yaddaş və hesablama xərci yaranır. Matrix product state və matrix product operator representations müəyyən kvant vəziyyət və operatorlarındakı quruluşu sıxılmış tensorlar kimi təmsil edərək tam fəzanın bütün əmsallarını explicit saxlamaq olmadan simulyasiyaya imkan verir.
Bu yanaşmanın əsas idarəetmə parametri bond dimension \(\chi\)-dir. Ümumən daha yüksək \(\chi\):
- daha çox correlation/entanglement structure-ın qorunmasına,
- daha aşağı truncation error-a,
- lakin daha yüksək computational cost-a
uyğundur.
Bond-dimension dayanıqlıq yoxlaması
| Analiz | İstinad ayarı | Nəzarət ayarı | Mənbə nəticəsi |
|---|---|---|---|
| QCA dynamics | \(\chi_{\mathrm{MPS}}=48,\;\chi_{\mathrm{MPO}}=16\) | \(\chi_{\mathrm{MPS}}=96,\;\chi_{\mathrm{MPO}}=16\) | Görünən keyfiyyət dəyişikliyi yoxdur; \(N=100\) histogram zirvələri yalnız bir qədər daha hündürdür. |
| QCA dynamics | \(\chi_{\mathrm{MPS}}=48,\;\chi_{\mathrm{MPO}}=16\) | \(\chi_{\mathrm{MPS}}=48,\;\chi_{\mathrm{MPO}}=32\) | Mənbə görünən keyfiyyət dəyişikliyi bildirmir. |
| Training stability | \(\chi_{\mathrm{MPS}}=48,\;\chi_{\mathrm{MPO}}=16\) | \(\chi_{\mathrm{MPS}}=64,\;\chi_{\mathrm{MPO}}=16\) | Initial/trained dynamics, loss landscape və gradient path əsas nəticə ilə keyfiyyətcə uyğun gəlir. |
| Training stability | \(\chi_{\mathrm{MPS}}=48,\;\chi_{\mathrm{MPO}}=16\) | \(\chi_{\mathrm{MPS}}=48,\;\chi_{\mathrm{MPO}}=32\) | Nəticələr əsas training simulation ilə keyfiyyətcə eyni qalır. |
Supplementary training-stability yoxlamasında 50 update repetition, \(\epsilon=80\) və \(N=20\) istifadə olunur. Bu rəqəm əsas Şəkil 4-dəki 100 update repetition ilə qarışdırılmamalıdır.
Mənbə həmçinin \(\chi_{\mathrm{MPO}}=16\) üçün discarded singular values-ın kvadratları cəminin kvadrat kökünün maşın dəqiqliyi mərtəbəsində olduğunu bildirir və bu MPO bond dimension-ını kifayət hesab edir.
Transient bimodality aşağı bond dimension artefaktıdırmı?
Mənbənin Supplementary robustness tests-i bu ehtimalı xüsusi olaraq yoxlayır. Bond dimensions artırıldıqda iki quasi-fixed-point quruluşunun və bimodal output distribution-ın keyfiyyətcə qorunması müşahidə olunan transient ergodicity breaking-in yalnız \(\chi_{\mathrm{MPS}}=48\) və ya \(\chi_{\mathrm{MPO}}=16\) truncation seçiminin yaratdığı sadə artefakt olmadığını dəstəkləyir.
Bu Tədqiqat Kvant Üstünlüyünü və ya Real Məlumat Təsnifat Uğurunu Göstərirmi?
Xeyr; tədqiqat tensor-network üsulları ilə klassik kompüterdə simulyasiya edilən sintetik kvant başlanğıc vəziyyətlərini fiziki \(x\)-maqnitlənməsi vasitəsilə iki sinfə ayıran QCA-nın trainability-sini göstərir, lakin real quantum hardware üzərində quantum speedup və ya quantum advantage ölçmür və təsvir, mətn, biotibbi məlumat və ya başqa real dünya benchmark-ında accuracy, F1 və ya AUC tipli təsnifat performansı bildirmir.
“Efficiently learned” ifadəsi necə şərh edilməlidir?
Mənbənin “efficiently learned” iddiası, araşdırılan physics-informed QCA-da yüksəkölçülü state space-ə baxmayaraq order-parameter loss landscape-in broad minima və istifadə oluna bilən gradient structure göstərməsinə əsaslanır.
Bu ifadə:
- classical computational complexity baxımından polynomial-time proof,
- kvant prosessorunda wall-clock speedup,
- classical classifier-ə qarşı üstün accuracy,
- miqyaslana bilən fault-tolerant hardware demonstration
mənasına gəlmir.
Multiclass classification bu məqalədə göstərilibmi?
Xeyr. Məqalənin birbaşa ədədi demonstration-ı \(\mathbb Z_2\)-symmetry və iki quasi-fixed point səbəbindən binary classification üzərindədir.
Müəlliflər daha yüksək simmetriyaya malik many-body systems istifadə etməklə multiclass classification-ın oxşar şəkildə həyata keçirilə biləcəyini gələcək/ümumiləşdirilə bilən istiqamət kimi müzakirə edirlər. Bu ifadə məqalədə göstərilmiş multiclass benchmark nəticəsi deyil.
NISQ avadanlığı istifadə edilibmi?
Xeyr. Mənbə NISQ devices üzərindəki noise-un gələcəkdə azaldılıb-azaldıla bilməyəcəyini və ya QCA dynamics artıq effective dissipative olduğuna görə səs-küyün bəzi hallarda faydalı şəkildə istifadə olunub-oluna bilməyəcəyini gələcək tədqiqat sualı kimi irəli sürür.
Buna görə tədqiqat “NISQ səs-küyündən uğurla istifadə etdi” nəticəsini dəstəkləmir.
Tədqiqatın birbaşa dəstəklədiyi nəticələr
- Dissipativ Ising-inspired QCA dynamics ilə data classification arasında fiziki əlaqə qurula bilər.
- Thermodynamic-limit modeldə \(\mathbb Z_2\)-symmetry breaking iki opposite order-parameter fixed point yarada bilər.
- Finite-size QCA-da daimi symmetry breaking əvəzinə transient ergodicity breaking və iki quasi-fixed point yarana bilər.
- Çıxış qatı transient non-ergodic window-a yerləşdirildikdə iki quasi-fixed point binary classes kimi istifadə edilə bilər.
- Nearest-neighbor correlations mean-field ferromagnetic region-ı kiçildir, lakin mənbədə araşdırılan keçidin continuous character-ını dəyişmir.
- \(N=100\)-də transient bimodality \(N=10\)-a nisbətən daha aydın olur.
- Başlanğıcda təsnifat etməyən iki-parametrli QCA dörd training pair istifadə olunaraq binary classification behavior öyrənəcək şəkildə öyrədilə bilər.
- Order-parameter based loss araşdırılan \((a,b)\) parameter plane-də broad minimum ehtiva edən structured loss landscape yaradır.
- Tensor-network bond dimensions artırıldıqda əsas transient dynamics və training conclusions keyfiyyətcə qorunur.
Tədqiqatın dəstəkləmədiyi nəticələr
- Daimi ergodicity breaking-in finite QCA-da baş verdiyi göstərilməyib; əksinə, mənbə uzun zamanda ergodicity-nin geri qayıtdığını göstərir.
- Real quantum processor üzərində təlim aparılmayıb.
- Quantum computational advantage və ya quantum speedup göstərilməyib.
- Real dünya məlumat dəsti təsnif edilməyib.
- Accuracy, precision, recall, F1 və ya AUC benchmark-ı bildirilməyib.
- Dörd training pair ilə ümumi quantum machine learning problemlərinin həll oluna biləcəyi göstərilməyib.
- Bütün quantum machine-learning architectures üçün barren plateau-nun aradan qaldırıldığı sübut edilməyib.
- Multiclass classification bu tədqiqatda ədədi olaraq göstərilməyib.
- NISQ noise-un faydalı olduğu eksperimental olaraq göstərilməyib.
- Tensor-network simulation-ın fiziki quantum hardware execution ilə eyni computational cost-a malik olduğu fərz edilə bilməz.
Tədqiqatın güclü tərəfləri
- Təsnifat mexanizmi abstrakt black-box quantum circuit əvəzinə açıq many-body physics anlayışlarına bağlanıb.
- Symmetry, phase transition, ergodicity breaking və machine-learning trainability eyni fiziki çərçivədə nəzərdən keçirilib.
- Mean-field nəticələri nearest-neighbor correlations ilə yoxlanılıb.
- Finite-QCA dynamics birbaşa tensor-network simulation ilə araşdırılıb.
- Initial-state sampling \(\mathbb Z_2\) symmetry istifadə edilərək \(m_0^x\) baxımından balanslı hazırlanıb.
- Training və transient dynamics nəticələri bond-dimension artımı ilə robustness yoxlamasından keçirilib.
- Loss function təsnifatın fiziki order parameter-i ilə birbaşa əlaqəlidir.
Tədqiqatın metodoloji məhdudiyyətləri
- Nəticələr klassik tensor-network simulation-a əsaslanır.
- Hardware noise, gate error və physical-device connectivity birbaşa sınaqdan keçirilməyib.
- Təlim demonstration-ı yalnız iki global jump-operator parameter ehtiva edir.
- Training set yalnız dörd synthetic input–target pair-dən ibarətdir.
- Təsnifat binary-dir.
- Real dünya dataset benchmark-ı yoxdur.
- Standard ML performance metrics bildirilməyib.
- Large-scale physical quantum hardware demonstration yoxdur.
- Spatially və temporally inhomogeneous \(k,t\)-dependent Hamiltonian/jump operators öyrədilməyib.
- Order-parameter loss-un bütün QML architectures-da barren plateau-nu önlədiyinə dair ümumi theorem yoxdur.
Gələcək tədqiqat istiqamətləri
Mənbə üç mühüm tədqiqat istiqamətini önə çəkir.
Birincisi, transient nonergodicity ilə spectral-gap closing və metastability arasındakı əlaqənin daha ətraflı anlaşılmasıdır.
İkincisi, lokal Hamiltonian və jump operators-ın \(k\) site indeksindən və \(t\) qatından asılı ola bildiyi daha geniş spatially/temporally inhomogeneous parameter spaces-in öyrədilməsidir.
Üçüncüsü, daha mürəkkəb və klassik kompüterdə baha olan bu quruluşların quantum hardware üzərində araşdırılması və NISQ noise-un dissipative QCA dynamics ilə necə qarşılıqlı təsir etdiyinin öyrənilməsidir.
Mənbə və Metod Qeydi
Orijinal başlıq: Training the classification capability of large-scale quantum cellular automata.
Müəlliflər: Mario Boneberg; Simon Kochsiek; Gabriele Perfetto; Igor Lesanovsky.
Yüklənmiş mənbə versiyası: arXiv:2509.18262v1 [quant-ph], 22 sentyabr 2025.
Cari resenziyalı nəşr: Physical Review A, Volume 114, Issue 1, Article 012209.
Resenziyalı nəşr tarixi: 16 iyul 2026.
DOI: 10.1103/gds1-9vhy.
Qəbul edilmə tarixi: 3 oktyabr 2025.
Reviziya tarixi: 18 fevral 2026.
Qəbul tarixi: 1 iyun 2026.
Jurnal: Physical Review A.
Nəşriyyat: American Physical Society.
Resenziya statusu: Resenziyalı və nəşr edilmiş tədqiqat məqaləsi. Yüklənmiş tədqiqat faylı isə nəşrdən əvvəlki arXiv v1 mətnini daşıyır.
Lisenziya / təkrar istifadə: APS-in rəsmi məqalə səhifəsi ©2026 American Physical Society və all rights reserved məlumatını göstərir; rəsmi qeyddə Creative Commons açıq lisenziyası göstərilmir. Buna görə mənbə fiqurları Verianla daxilində piksel-piksel kopyalanmayıb, yalnız elmi əlaqələr müstəqil source-derived sxemlərlə yenidən ifadə edilib.
Yüklənmiş v1 afiliyasiyaları: Institut für Theoretische Physik, Universität Tübingen and Center for Integrated Quantum Science and Technology, Tübingen, Germany; School of Physics and Astronomy and Centre for the Mathematics and Theoretical Physics of Quantum Non-Equilibrium Systems, University of Nottingham, United Kingdom.
Nəşr edilmiş APS versiyasındakı cari afiliyasiyalar: Mario Boneberg və Simon Kochsiek — Universität Tübingen; Gabriele Perfetto — Institut für Theoretische Physik, ETH Zürich; Igor Lesanovsky — Universität Tübingen və University of Nottingham.
Afiliyasiya versiyası qeydi: Yüklənmiş arXiv v1 Gabriele Perfetto-nu Tübingen afiliyasiyası ilə göstərdiyi halda final APS qeydi ETH Zürich afiliyasiyasını göstərir. Bu fərq preprint ilə nəşr edilmiş versiya arasında bibliqrafik yenilənmə kimi qorunub.
Corresponding author: Yüklənmiş v1 PDF-də ayrıca corresponding-author işarəsi görünmür.
Bərabər töhfə: Yüklənmiş mənbədə equal-contribution / co-first-author bəyanatı görünmür.
Tədqiqat növü: Nəzəri və ədədi kvant çoxcisim / quantum machine-learning tədqiqatı.
Əsas sistem: Dissipativ Ising modelindən ilhamlanan weak-\(\mathbb Z_2\)-symmetric gate-based quantum cellular automaton.
Əsas elmi mexanizm: Faza keçidi yaxınlığında yaranan transient ergodicity breaking və iki quasi-fixed order-parameter state-in binary classes kimi istifadə olunması.
Əsas order parameter: Normallaşdırılmış \(x\)-magnetization \(m^x\).
Əsas nəzəri üsullar: Lindblad open-system description, mean-field approximation və nearest-neighbor correlation correction.
Əsas ədədi üsul: Matrix product states və matrix product operators istifadə edən tensor-network QCA simulation.
Əsas QCA dinamik parametrləri: \(\Omega=3\kappa\), \(V=15\kappa\), \(\kappa\delta t=0.1\).
Transient-dynamics sistem ölçüləri: \(N=10\) və \(N=100\).
Training/loss-landscape sistem ölçüsü: \(N=20\).
Əsas QCA training depth: \(L=10\).
Training pair sayı: \(P=4\).
Untrained başlanğıc parametrləri: \(a=-0.15,\;b=-1\).
Reference/teacher parametrləri: \(a=1/2,\;b=-1/2\).
Learning rate: \(\epsilon=80\).
Əsas training figure update sayı: 100.
Supplementary robustness-training update sayı: 50.
Əsas tensor-network bond dimensions: \(\chi_{\mathrm{MPS}}=48,\;\chi_{\mathrm{MPO}}=16\).
Robustness yoxlamaları: QCA dynamics üçün \(\chi_{\mathrm{MPS}}=96\) və \(\chi_{\mathrm{MPO}}=32\); training stability üçün \(\chi_{\mathrm{MPS}}=64\) və \(\chi_{\mathrm{MPO}}=32\) alternativləri ayrıca sınaqdan keçirilib.
Başlanğıc vəziyyətləri: 1.000 product state \(m_0^x\in[0,0.5]\) üzərindən nümunələnib, bunların 1.000 \(\mathbb Z_2\) symmetry partner-i yaradılaraq ümumilikdə 2.000 başlanğıc vəziyyəti əldə edilib.
Real dünya məlumat dəsti: Yoxdur. Araşdırılan girişlər idarə olunan synthetic quantum product states-dir.
Real quantum hardware: İstifadə edilməyib.
Quantum advantage testi: Aparılmayıb.
Standard classification metrics: Accuracy, precision, recall, F1 və AUC bildirilməyib; təsnifat output order parameter-in bimodal quruluşu üzərindən göstərilib.
Statistical hypothesis testing: Tədqiqat klassik nümunə-statistika araşdırması deyil; p-dəyəri və ya confidence interval əsaslı müqayisə bildirilməyib.
Kod əlçatanlığı: Yüklənmiş mənbədə ayrıca Code Availability bölməsi və ya reproducibility code bağlantısı görünmür.
Məlumat əlçatanlığı: Yüklənmiş mənbədə ayrıca Data Availability bölməsi görünmür.
Müəllif töhfələri: Yüklənmiş v1 mənbədə ayrıca CRediT/Author Contributions bölməsi görünmür.
Maraq toqquşması: Yüklənmiş v1 mənbədə ayrıca competing-interest / conflict-of-interest bölməsi görünmür; buna görə Verianla mənbədə olmayan “maraq toqquşması yoxdur” bəyanatı yaratmır.
Təşəkkür: Müəlliflər müzakirələr üçün F. Carollo-ya təşəkkür edirlər.
Maliyyələşdirmə: Mənbə Deutsche Forschungsgemeinschaft Project No. 449905436, Research Unit FOR 5413/1 Grant No. 465199066, European Union Horizon Europe Grant Agreement No. 101046968 (BRISQ), EPSRC Grant No. EP/V031201/1, German Federal Ministry of Research, Technology and Space NeuQuant project grant 13N17065, Machine Learning Cluster of Excellence EXC 2064/1 Project No. 390727645, Baden-Württemberg bwHPC və DFG INST 40/575-1 FUGG (JUSTUS 2 cluster) dəstəklərini bildirir.
Mənbədaxili redaksiya qeydi 1: Supplementary Material-ın əvvəlində nearest-neighbor equation derivation əsas mətn “Eq. (7)” ilə əlaqələndirilib; lakin yüklənmiş əsas mətndə Tənlik (7) trainable \(J_k(a,b)\) jump operator tərifidir. Əlavə materialdakı S15 tənliklərinin elmi məzmunu mean-field magnetization dynamics-in correlation-corrected genişləndirilməsidir. Verianla bu istinad nömrəsi uyğunsuzluğunu səssizcə dəyişdirmir.
Mənbədaxili redaksiya qeydi 2: Supplementary Material-da S7 ətrafındakı bir izah cümləsi dissipasiya ilə \(V\)-ni əlaqələndirən ifadə ehtiva edir, halbuki göstərilən jump operator \(J_j=\sqrt{\kappa}\sigma_j^-\) və bütün müvafiq dissipative terms decay parameter kimi \(\kappa\)-dan istifadə edir. Verianla displayed equations-ı qoruyub və bu mətn uyğunsuzluğundan yeni fiziki nəticə yaratmayıb.
Şərh yazın
E-poçt ünvanınız yayımlanmayacaq. Məcburi sahələr * ilə işarələnib