研究者使用量子模拟器检测到一种难以捉摸的物质状态：量子自旋液体，可用于量子计算机等技术的发展。
有研究者预测，总有一天量子计算机在破解数字加密、设计药物等方面会创造出无穷无尽的奇迹。然而，目前量子计算机的发展还处于早期阶段，量子算法还有待优化。一些研究人员尝试在亚原子级别对量子计算机进行必要的控制。哈佛大学物理学家 Markus Greiner 表示：「实现这一目标是非常艰巨的。」然而，即使没有成熟的量子计算机，物理学家们也在使用相关的、更专业的机器类型——量子模拟器（一种特殊的量子计算机）——来模拟量子系统的复杂行为。正如美国理论物理学家 Richard Feynman 在 1981 年一次演讲中所提到的，「自然不是经典的，如果你想模拟自然，你最好让它成为量子力学。」过去几年，来自巴黎、剑桥和马萨诸塞州的研究小组通过使用 dark-horse 型量子模拟器，在量子计算机方面取得了巨大进展。他们做了一系列模拟，而这些模拟在经典计算机中需要耗时几个月甚至更长的时间才能完成。近日，剑桥研究小组公布了他们迄今为止最重要的发现，该小组包括来自哈佛大学 Lukin 领导的团队、Greiner 领导的实验室、MIT Vladan Vuletić领导的研究小组组成。他们使用量子模拟器检测到一种难以捉摸的物质状态：量子自旋液体，它存在于概述物质组织方式的百年范式之外。目前该研究登上《Science》。1973 年，凝聚态物质先驱以及诺贝尔奖获得者 Philip Anderson 提出了一种新的物质状态理论，即物质可能会进入一种称为量子自旋液体的奇异状态，其中自旋是与磁现象密切相关的一个物理量。量子自旋液体具有广阔的应用前景，可用于量子计算机等技术的发展。量子自旋液体是具有拓扑顺序的奇异物质相，在过去的几十年里一直是物理学的主要焦点。这种相具有长程量子纠缠特性，有可能被用来实现稳健的量子计算。该研究使用具有 219 个原子的可编程量子模拟器来探测量子自旋液体。在此研究中，原子阵列被放置在 Kagome 晶格的链上，并且在里德堡 blockade 下的演变创造了没有局部秩序的受挫量子态。该研究为拓扑物质的可控实验探索和保护量子信息处理提供了可能。该研究证实了一个有近 50 年历史、预测了这种奇异状态的理论，这也标志着朝着构建真正有用的通用量子计算机的梦想迈进了一步。论文地址：https://www.science.org/doi/10.1126/science.abi8794剑桥小组的负责人 Mikhail Lukin 表示：「基本上，我们组装了一块人造晶体。」加州大学伯克利分校的凝聚态理论家 Ehud Altman 表示：「如果纵观超冷原子实验的整个历史，该研究可能是该领域最令人印象深刻和开创性的实验之一。」这项研究使用了一种基于中性原子的新型量子计算方法。尽管该方法落后于超导电路等更流行的量子计算技术，但中性原子具有的特殊性质长期以来一直吸引着量子工程师。构建量子计算机的关键是组装一组量子比特。量子比特必须首先与外部世界隔离，否则振动和热量会摧毁量子之间的特性。然而，量子比特必须同时具有可访问性和可操作性。支持者说，中性原子能很好地平衡这些需求。激光束可以像牵引光束一样捕获和移动原子，保护它们免受外部干扰。额外的激光脉冲可以将原子变成超大的里德堡态。至关重要的是，这些中性原子量子比特可以同时假设量子叠加，还可以通过量子纠缠（量子计算的两个基本要素）远程相互连接。二十多年来，研究人员一直在扩大对中性原子的控制。有研究小组在 2001 年用激光镊子（tweezers）捕获了单个原子，然后在 2010 年捕获原子纠缠对。剑桥和巴黎的研究小组在 2016 年取得了突破性进展，他们研究了如何对数十个原子进行控制。下一代机器已经达到了三位数，这使得未来的计算机成为量子现象的强大模拟器。2018 年，巴黎研究小组将中性原子操纵成埃菲尔铁塔的 3D 模型。
研究人员一直在使用这些中性原子网格来探测量子物质的相。这些就像我们熟悉的液体和固体相，但在混合中加入了叠加和纠缠，以实现更奇特和复杂的配置。量子相的探索可以有实际应用，例如帮助我们了解导致高温超导的原因。凝聚态物理学家使用自然界中发现的晶体及其在实验室中生长的物质来研究这些相。中性原子研究人员可以灵活地「编程」他们的物质，通过操纵里德堡态将原子精确地定位到任何形状的晶格中并设计原子相互作用。量子自旋液体经历了大量的纠缠，这一特征导致了「拓扑」序列，这是由于单个粒子可以感知系统的整体拓扑或几何形状。举个例子，在冰块上穿一个洞，它依然保持冻结状态。但与之不同，移除量子自旋液体中心的原子，系统的特性可能会发生变换。这使得量子自旋液体成为一类新的物质。不同的研究团队都发现了量子自旋液体的间接暗示（indirect hint），如论文《Colloquium: Herbertsmithite and the search for the quantum spin liquid》中的矿物 Herbertsmithite，它的晶体结构尤其不适用于原子。但是，将一种材料的状态直接确认为量子自旋液体是几乎不可能的，因为它的定义纠缠和相关拓扑序列无法在某一点测量。论文地址：https://journals.aps.org/rmp/abstract/10.1103/RevModPhys.88.041002剑桥团队使用量子模拟器获得了鸟瞰图（bird’s-eye view）。他们首先使用对中性原子进行编程，使其表现得像 Herbertsmithite 中的原子，其中 on-ff 里德堡态（Rydberg state）代表自旋。然后，他们测量了整个原子环和原子串的里德堡态，以获得纠缠相关的非局部观察。由此，他们首次直接测量了量子自旋液体的拓扑序列。拓扑序列物相（phase of matter）的首次明确发现——分数量子霍尔效应（fractional quantum hall effect）赢得了 1998 年的诺贝尔物理奖（由美国普林斯顿大学的崔琦、哥伦比亚大学的霍斯特 · 路德维希 · 施特默及斯坦福大学的罗伯特 · 劳克林三人获得）。「这次对量子自旋液体的探索——在我看来，这是一个非常特殊的时刻，」Lukin 表示。英文原文：https://www.quantamagazine.org/quantum-simulators-create-a-totally-new-phase-of-matter-20211202/基于Python，利用 NVIDIA TAO Toolkit 和 Deepstream 快速搭建车辆信息识别系统
NVIDIA TAO Toolkit是一个AI工具包，它提供了AI/DL框架的现成接口，能够更快地构建模型，而不需要编码。DeepStream是一个用于构建人工智能应用的流媒体分析工具包。它采用流式数据作为输入，并使用人工智能和计算机视觉理解环境，将像素转换为数据。
DeepStream SDK可用于构建视觉应用解决方案，用于智能城市中的交通和行人理解、医院中的健康和安全监控、零售中的自助检验和分析、制造厂中的组件缺陷检测等
12月14日19:30-21:00，本次分享摘要如下：
介绍 TAO Toolkit 的最新特性；
介绍 NVIDIA Deepstream 的最新特性；
利用 TAO Toolkit 丰富的预训练模型库，快速训练模型；
直接利用 TAO Toolkit 的预训练模型和 Deepstream 部署应用；
完成对车辆车牌的检测和识别，并对行人以及车辆的品牌，颜色，种类进行检测。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：content@jiqizhixin.com
关注公众号：拾黑（shiheibook）了解更多
[广告]赞助链接：
四季很好，只要有你，文娱排行榜：https://www.yaopaiming.com/
让资讯触达的更精准有趣：https://www.0xu.cn/
机器之心
关注网络尖刀微信公众号
