رمزگشایی از هسته اسرارآمیز سیاهچاله‌ها با رایانش کوانتومی

تیمی از پژوهشگران به سرپرستی انریکو رینالدی، فیزیکدان دانشگاه میشیگان، با بهره‌گیری از رایانش کوانتومی و یادگیری ماشینی، مدل‌های ماتریسی کوانتومی را تحلیل کرده و به بینش‌های تازه‌ای درباره ماهیت سیاهچاله‌ها دست یافته‌اند.

نظریه‌های مرتبط با سیاهچاله‌ها

به گزارش بریجتر، بر اساس اصل هولوگرافیک، نظریه‌های بنیادی فیزیک ذرات و گرانش از لحاظ ریاضی معادل یکدیگر هستند، هرچند در ابعاد مختلفی فرمول‌بندی شده‌اند. در این چارچوب، گرانش در فضای سه‌بعدی عمل می‌کند، در حالی که فیزیک ذرات به سطح دوبعدی محدود می‌شود. این دوگانگی نشان‌دهنده ارتباط بین این دو مدل است.

جرم عظیم یک سیاهچاله باعث خمیدگی فضا-زمان شده و میدان گرانشی قدرتمندی را ایجاد می‌کند. این میدان گرانشی با ذراتی که در دو بعد بالای سیاهچاله حرکت می‌کنند، ارتباط ریاضی برقرار می‌کند. در نتیجه، هرچند سیاهچاله در فضای سه‌بعدی وجود دارد، ممکن است برای ناظران به‌عنوان یک تصویر هولوگرافیک از ذرات ظاهر شود.

برخی دانشمندان پیشنهاد می‌کنند که کل جهان ممکن است به همین شیوه عمل کند—به‌عنوان یک نمایش هولوگرافیک از ذرات. این دیدگاه می‌تواند چارچوبی یکپارچه برای ترکیب فیزیک کوانتومی و گرانش ارائه دهد.

انریکو رینالدی توضیح می‌دهد که در نظریه نسبیت عام اینشتین، فضا-زمان بدون ذرات وجود دارد، در حالی که در مدل استاندارد فیزیک ذرات، ذرات بدون نیرو‌های گرانشی توصیف می‌شوند. آشتی دادن این دو نظریه بنیادی یکی از بزرگ‌ترین چالش‌های فیزیک محسوب می‌شود.

نقش رایانش کوانتومی و یادگیری ماشینی در درک سیاهچاله‌ها

پژوهش اخیر که در PRX Quantum منتشر شده است، بر استفاده از رایانش کوانتومی و یادگیری عمیق برای پیشبرد تحقیقات در زمینه دوگانگی هولوگرافیک تمرکز دارد. این مطالعه به محاسبه پایین‌ترین حالت انرژی مدل‌های ماتریسی کوانتومی می‌پردازد، که می‌توانند به رمزگشایی از این دوگانگی کمک کنند.

این مدل‌های ماتریسی در فیزیک ذرات کاربرد دارند. بر اساس دوگانگی هولوگرافیک، رویداد‌های ریاضی در یک سیستم که نظریه ذرات را نشان می‌دهد، می‌تواند بر سیستمی که گرانش را توصیف می‌کند، تأثیر بگذارد. در نتیجه، حل یک مدل ماتریسی کوانتومی می‌تواند اطلاعاتی درباره پدیده‌های مرتبط با گرانش ارائه دهد.

رینالدی و همکارانش از دو مدل ماتریسی نسبتاً ساده استفاده کردند که با روش‌های متعارف قابل حل بودند، اما ویژگی‌های مدل‌های پیچیده‌تری را داشتند که برای توصیف سیاهچاله‌ها به‌کار می‌روند. هدف آنها درک ویژگی‌های این نظریه ذرات از طریق آزمایش‌های عددی و در نهایت، دستیابی به اطلاعاتی درباره گرانش بود.

در فیزیک نظری، رشته‌ها به‌صورت مدل‌های ماتریسی عددی نمایش داده می‌شوند و رشته‌های یک‌بعدی متناظر با ذرات در نظریه ذرات هستند. محققان تلاش می‌کنند تا چیدمان خاص ذرات را در پایین‌ترین سطح انرژی سیستم، که به آن حالت پایه گفته می‌شود، مشخص کنند.

استفاده از رایانش کوانتومی برای حل مدل‌های ماتریسی

رینالدی توضیح می‌دهد که تعیین حالت پایه بسیار مهم است، زیرا از این طریق می‌توان ماهیت مواد و ویژگی‌های آنها را شناخت. برای مثال، دانستن حالت پایه یک ماده می‌تواند نشان دهد که آیا رسانا است، ابررسانا است، یا استحکام بالایی دارد. اما یافتن این حالت از میان تمام حالات ممکن یک چالش پیچیده است.

برای حل این مشکل، پژوهشگران از مدار‌های کوانتومی استفاده کردند. در این مدارها، کیوبیت‌ها (واحد‌های اطلاعات کوانتومی) به‌عنوان سیم‌هایی نمایش داده می‌شوند که عملیات کوانتومی (گیت‌ها) روی آنها اعمال می‌شود. رینالدی این فرایند را به نت‌نویسی موسیقی تشبیه می‌کند، جایی که گیت‌ها مانند نُت‌های موسیقی هستند و باید به‌درستی تنظیم شوند تا در نهایت به حالت پایه برسند.

پژوهشگران پس از تعیین توصیف ریاضی حالت کوانتومی مدل ماتریسی خود، که به‌عنوان تابع موج کوانتومی شناخته می‌شود، از یک شبکه عصبی برای بهینه‌سازی پارامتر‌های آن استفاده کردند. این شبکه عصبی به‌طور تکراری تنظیم شد تا به کمترین سطح انرژی ممکن دست یابد.

نتایج نشان داد که این روش توانایی تعیین حالت پایه دو مدل ماتریسی مورد بررسی را دارد. با این حال، تعداد محدود کیوبیت‌ها در سخت‌افزار کوانتومی فعلی، باعث محدودیت در پیچیدگی مدار‌ها شده است. این مسئله را می‌توان به اضافه کردن بیش از حد نُت‌ها به یک قطعه موسیقی تشبیه کرد که نواختن آن را دشوار می‌کند.

آینده پژوهش در مورد گرانش کوانتومی

رینالدی تأکید می‌کند که بسیاری از روش‌های رایج می‌توانند انرژی حالت پایه را تعیین کنند، اما قادر به نمایش کامل ساختار تابع موج نیستند. این پژوهش نشان می‌دهد که چگونه فناوری‌های نوظهور مانند رایانش کوانتومی و یادگیری عمیق می‌توانند اطلاعات کاملی درباره حالت پایه فراهم کنند.

از آنجا که مدل‌های ماتریسی می‌توانند نمایشی از نوع خاصی از سیاهچاله باشند، شناخت چگونگی آرایش این ماتریس‌ها و ویژگی‌های آنها می‌تواند ما را به درک دقیق‌تری از درون سیاهچاله‌ها، افق رویداد و منشأ آنها برساند. پاسخ به این پرسش‌ها گامی مهم در جهت تحقق یک نظریه کوانتومی از گرانش محسوب می‌شود.

در مراحل بعدی، رینالدی و همکارانش قصد دارند بررسی کنند که چگونه این الگوریتم‌ها می‌توانند به مدل‌های ماتریسی گسترده‌تر تعمیم داده شوند و چقدر در برابر اثرات "نویز"، که ممکن است باعث بروز خطا شود، مقاوم هستند.

اجزای اصلی یک سیاهچاله

یک سیاهچاله از چندین بخش کلیدی تشکیل شده است که هرکدام نقش مهمی در ساختار و رفتار آن دارند:

تکینگی: در مرکز سیاهچاله، جایی که چگالی و گرانش بی‌نهایت است و قوانین فیزیک فعلی از کار می‌افتند.

افق رویداد: مرزی که پس از عبور از آن، هیچ چیزی—even نور—قادر به فرار نیست.

کره فوتون: منطقه‌ای خارج از افق رویداد که در آن نور می‌تواند به‌طور موقت در مدار سیاهچاله حرکت کند.

دیسک برافزایشی: حلقه‌ای از گاز و غبار که به‌دلیل اصطکاک شدید درخشان شده و سیاهچاله را آشکار می‌سازد.

پرتو‌های جت: فواره‌های پرانرژی از ذرات باردار که در امتداد محور چرخش سیاهچاله منتشر می‌شوند.

ارگوسفر: ناحیه‌ای در سیاهچاله‌های چرخان که در آن فضا-زمان به‌دلیل چرخش سیاهچاله کشیده می‌شود.

این پژوهش، نقطه عطفی برای استفاده از رایانش کوانتومی در بررسی ماهیت سیاهچاله‌ها و گرانش کوانتومی محسوب می‌شود.

انتهای پیام/