شبیه‌سازی سامانه‌های کوانتومی چندپیکره، به‌ویژه آن‌هایی که دارای «ناکامی» (Frustration) هستند، یکی از بزرگترین چالش‌های فیزیک ماده چگال محاسباتی است. ناکامی زمانی رخ می‌دهد که برهمکنش‌های رقیب در یک سیستم مانع از ارضای همزمان تمام قیدهای انرژی می‌شوند. این پدیده منجر به حالت‌های پایه بسیار پیچیده با همبستگی‌های کوانتومی غیربدیهی و دوربُرد می‌شود که توصیف آن‌ها با روش‌های کلاسیک دشوار است. فضای حالت چنین سیستم‌هایی به صورت نمایی با افزایش تعداد ذرات رشد می‌کند و حل دقیق آن‌ها را تقریباً برای هر سیستمی به جز سیستم‌های کوچک، غیرممکن می‌سازد.

در این میان، روش‌های متغیر (Variational Methods) به عنوان ابزاری قدرتمند برای تقریب حالت پایه این سیستم‌ها ظهور کرده‌اند. در سال‌های اخیر، استفاده از شبکه‌های عصبی برای ساخت توابع موج متغیر، که به «حالت‌های کوانتومی شبکه عصبی» (NQS) معروفند، پیشرفت‌های چشمگیری را به همراه داشته است. مقاله‌ی حاضر با عنوان «توابع موجی متغیر ترانسفورمر برای سامانه‌های اسپینی کوانتومی ناکام» گامی بلند در این مسیر برمی‌دارد. این پژوهش برای نخستین بار از معماری پیشرفته ترانسفورمر (Transformer)، که انقلابی در پردازش زبان طبیعی و بینایی کامپیوتر ایجاد کرده، برای مدل‌سازی توابع موج کوانتومی بهره می‌برد. اهمیت این کار در توانایی بالقوه معماری ترانسفورمر برای توصیف دقیق همبستگی‌های دوربرد در سیستم‌های کوانتومی ناکام نهفته است که می‌تواند راه را برای حل مسائل دیرینه در فیزیک ماده چگال هموار سازد.

این مقاله حاصل همکاری سه پژوهشگر برجسته در حوزه فیزیک محاسباتی ماده چگال است: لوچیانو لوریس ویتریتی (Luciano Loris Viteritti)، ریکاردو رنده (Riccardo Rende) و فدریکو بکا (Federico Becca). این محققان در زمینه توسعه و کاربرد روش‌های عددی پیشرفته، به ویژه روش‌های مبتنی بر یادگیری ماشین و شبکه‌های عصبی، برای مطالعه سیستم‌های کوانتومی شدیداً همبسته، شهرت دارند. حوزه تحقیقاتی آن‌ها در مرز میان فیزیک کوانتوم، علم داده و محاسبات با عملکرد بالا قرار دارد.

این پژوهش بر پایه کارهای پیشین در زمینه حالت‌های کوانتومی شبکه عصبی (NQS) بنا شده است. ایده اولیه استفاده از شبکه‌های عصبی (مانند ماشین‌های بولتزمن محدود) برای نمایندگی توابع موج کوانتومی توسط کارلئو و ترویر در سال ۲۰۱۷ مطرح شد. مقاله حاضر با جایگزین کردن معماری‌های قدیمی‌تر با معماری بسیار قدرتمندتر ترانسفورمر بینایی (Vision Transformer – ViT)، این حوزه را به سطح جدیدی از کارایی و دقت ارتقا می‌دهد.

معماری ترانسفورمر به مدل استاندارد طلایی در پردازش زبان طبیعی و اخیراً در بینایی کامپیوتر (تحت عنوان ViT) تبدیل شده است. ویژگی کلیدی این معماری، توانایی آن در توصیف همبستگی‌های دوربرد میان عناصر یک توالی ورودی از طریق مکانیزمی به نام خود-توجه (Self-Attention) است. در این مقاله، نویسندگان اقتباسی از معماری ViT با پارامترهای مختلط را برای تعریف دسته جدیدی از حالت‌های متغیر شبکه عصبی برای سیستم‌های چندپیکره کوانتومی پیشنهاد می‌کنند که آن را «تابع موج ViT» می‌نامند.

آن‌ها این ایده را بر روی مدل یک‌بعدی هایزنبرگ $J_1$-$J_2$ پیاده‌سازی کرده‌اند. این مدل یک نمونه کلاسیک از سیستم‌های ناکام است و بسته به نسبت برهمکنش‌ها ($J_2/J_1$)، فازهای مختلفی از جمله فازهای بدون گاف (Gapless) و گاف‌دار (Gapped) از خود نشان می‌دهد. نتایج نشان می‌دهد که یک پارامترسازی نسبتاً ساده با استفاده از معماری ViT، به نتایج فوق‌العاده‌ای در هر دو فاز دست می‌یابد. نکته قابل توجه این است که این دقت بالا با یک معماری کم‌عمق، تنها با یک لایه خود-توجه، به دست آمده است که پیچیدگی محاسباتی را به شدت کاهش می‌دهد. با این حال، بهینه‌سازی ساختارهای عمیق‌تر نیز امکان‌پذیر است و می‌توان از آن برای مدل‌های چالش‌برانگیزتر، به ویژه سیستم‌های شدیداً ناکام در دو بعد، استفاده کرد.

اساس روش‌شناسی این تحقیق بر پایه اصل متغیر در مکانیک کوانتومی است. در این رویکرد، یک تابع موج آزمایشی (ansatz) با پارامترهای قابل تنظیم پیشنهاد می‌شود و سپس این پارامترها به گونه‌ای بهینه‌سازی می‌شوند که انرژی سیستم کمینه شود. نوآوری اصلی این مقاله در انتخاب نوع تابع موج آزمایشی است.

• تابع موج آزمایشی (Ansatz): نویسندگان از یک معماری مبتنی بر ترانسفورمر بینایی (ViT) برای ساخت تابع موج استفاده کرده‌اند. ورودی این شبکه، یک پیکربندی اسپینی از سیستم (مثلاً دنباله‌ای از اسپین‌های بالا و پایین) است.
• مکانیزم خود-توجه (Self-Attention): این بخش قلب معماری ترانسفورمر است. برای هر اسپین در زنجیره، این مکانیزم یک «امتیاز توجه» به تمام اسپین‌های دیگر، صرف‌نظر از فاصله آن‌ها، اختصاص می‌دهد. این کار به شبکه اجازه می‌دهد تا به صورت پویا همبستگی‌های مهم بین هر دو اسپین در سیستم را بیاموزد. این قابلیت برای توصیف فیزیک سیستم‌های ناکام که همبستگی‌های غیرمحلی و پیچیده دارند، حیاتی است.
• پارامترهای مختلط: یک تابع موج کوانتومی به طور کلی یک موجود مختلط است که هم دامنه و هم فاز دارد. برای بازنمایی دقیق آن، تمام پارامترهای شبکه عصبی (وزن‌ها و بایاس‌ها) به صورت اعداد مختلط در نظر گرفته شده‌اند. این یک تفاوت کلیدی با کاربردهای استاندارد ترانسفورمر در یادگیری ماشین است.
• بهینه‌سازی: پارامترهای شبکه با استفاده از روش‌های بهینه‌سازی تصادفی، مانند گرادیان کاهشی تصادفی (Stochastic Gradient Descent)، و با نمونه‌برداری از پیکربندی‌های اسپینی از طریق الگوریتم‌های مونت کارلوی زنجیره مارکوف، آموزش داده می‌شوند تا انرژی انتظاری هامیلتونی مدل $J_1$-$J_2$ کمینه شود.

این پژوهش به نتایج قابل توجهی دست یافته است که پتانسیل بالای رویکرد ترانسفورمر را در فیزیک کوانتومی نشان می‌دهد:

• دقت بسیار بالا: تابع موج ViT توانست انرژی حالت پایه مدل $J_1$-$J_2$ را با دقتی بسیار بالا، که با بهترین روش‌های عددی موجود (مانند DMRG) رقابت می‌کند یا از آن‌ها بهتر است، محاسبه کند. این دقت در سراسر نمودار فاز مدل، از جمله در نقطه بحرانی که همبستگی‌ها دوربرد می‌شوند، حفظ شد.
• کارایی معماری کم‌عمق: یکی از شگفت‌انگیزترین یافته‌ها این بود که یک معماری نسبتاً کم‌عمق با تنها یک لایه خود-توجه برای رسیدن به این نتایج عالی کافی بود. این موضوع نشان می‌دهد که مکانیزم خود-توجه به تنهایی قادر است بخش عمده‌ای از فیزیک پیچیده سیستم را به تصویر بکشد و نیاز به شبکه‌های بسیار عمیق (که در NLP رایج است) را کاهش می‌دهد.
• ترکیب موفق عملیات محلی و سراسری: موفقیت این روش به توانایی آن در ترکیب عملیات محلی (از طریق شبکه‌های پیشخور) و عملیات سراسری (از طریق مکانیزم خود-توجه) نسبت داده می‌شود. این ترکیب به مدل اجازه می‌دهد تا هم ساختارهای فیزیکی کوتاه‌برد و هم همبستگی‌های کوانتومی دوربرد را به طور همزمان و بهینه مدل کند.
• مقیاس‌پذیری: این معماری پتانسیل خوبی برای مطالعه سیستم‌های بزرگتر نشان می‌دهد، زیرا پیچیدگی محاسباتی مکانیزم خود-توجه به خوبی مدیریت‌پذیر است و می‌تواند برای سیستم‌های دو بعدی نیز تعمیم یابد.

این مقاله دستاوردهای مهمی را برای جامعه علمی به ارمغان آورده و کاربردهای گسترده‌ای را نوید می‌دهد:

• ابزار جدید برای فیزیک ماده چگال: تابع موج ViT یک ابزار محاسباتی جدید و قدرتمند را در اختیار فیزیکدانان قرار می‌دهد تا بتوانند مسائل حل‌نشده در زمینه سیستم‌های کوانتومی شدیداً همبسته را مورد بررسی قرار دهند.
• مطالعه مایعات اسپینی کوانتومی: این روش به طور خاص برای مطالعه سیستم‌های ناکام دو بعدی مانند مدل‌های هایزنبرگ روی شبکه‌های کاگومه یا مثلثی، که گمان می‌رود میزبان فازهای ماده نامتعارفی به نام «مایعات اسپینی کوانتومی» (Quantum Spin Liquids) باشند، بسیار امیدوارکننده است.
• پل میان هوش مصنوعی و فیزیک: این کار نمونه‌ای درخشان از تحقیقات میان‌رشته‌ای است که با موفقیت یک معماری پیشرفته از علوم کامپیوتر را برای حل یک مسئله بنیادی در فیزیک به کار می‌گیرد و به هم‌افزایی این دو حوزه کمک شایانی می‌کند.
• پتانسیل برای مسائل دیگر: فراتر از مغناطیس کوانتومی، این معماری می‌تواند برای سایر مسائل چندپیکره مانند سیستم‌های فرمیونی (الکترون‌ها در مواد) یا محاسبات شیمی کوانتومی نیز اقتباس شود.

مقاله «توابع موجی متغیر ترانسفورمر برای سامانه‌های اسپینی کوانتومی ناکام» با موفقیت معماری ترانسفورمر را به عنوان یک تابع موج متغیر قدرتمند برای سیستم‌های کوانتومی معرفی می‌کند. نقطه قوت اصلی این رویکرد، یعنی مکانیزم خود-توجه، به آن اجازه می‌دهد تا همبستگی‌های کوانتومی پیچیده و دوربرد را که مشخصه سیستم‌های ناکام هستند، به طور کارآمدی مدل کند.

نتایج برجسته این پژوهش بر روی مدل یک‌بعدی $J_1$-$J_2$ هایزنبرگ، که با یک معماری کم‌عمق به دست آمده است، نشان‌دهنده پتانسیل عظیم این روش است. این کار راه را برای استفاده از معماری‌های ترانسفورمر عمیق‌تر و پیچیده‌تر برای مقابله با برخی از چالش‌برانگیزترین مسائل حل‌نشده در فیزیک ماده چگال، به ویژه در سیستم‌های دو بعدی، هموار می‌سازد. در مجموع، این پژوهش یک گام مهم رو به جلو در تلاقی هوش مصنوعی و تحقیقات فیزیک بنیادی محسوب می‌شود و افق‌های جدیدی را برای درک جهان کوانتومی می‌گشاید.