在图像处理中，一种称为生成扩散的深度学习技术用于生成新的清晰图像。RIKEN领导的研究表明，类似的技术可以应用于帮助计算量子场论中的问题。来源：2024 RIKEN iTHEMS

由RIKEN研究人员领导的一个团队在发表在《高能物理学杂志》上的一项新研究中表明，通过利用深度学习中使用的统计方法与实施量子模拟技术之间的对应关系，可以更快地找到棘手的量子问题的数学解决方案。

量子场论是现代物理学中最成功的理论之一，是物理学家试图将三种理论——经典场物理学、爱因斯坦狭义相对论和量子力学——结合到一个数学模型中。

它在解决粒子物理学和凝聚态物理学中的问题方面取得了成功，但这些计算是计算密集型的，需要大量的计算机能力。

简化事物的一种方法是将空间和时间视为离散点的网格，而不是将它们视为它们在现实中的连续变量。晶格场理论仍然很棘手，但它在计算上是可行的，因为它应用了利用统计解释的高级算法。

现在，RIKEN跨学科理论和数学科学计划（iTHEMS）的Lingxiao Wang以及英国和德国的同事已经证明，一种被称为随机量化的方法对应于深度学习中使用的另一种统计技术，称为生成扩散。

“我们已经证明，基于生成扩散的模型为探索晶格上的量子场论提供了一个强大的框架，”Wang解释说。

生成扩散模型通过破坏与图像或文本关联的数据，然后修复它来学习。一旦模型学会了如何修复损坏的数据，它就可以将反向过程应用于完全随机或嘈杂的输入，以生成新的逼真图像或合理的文本。

Wang和团队意识到，量子场论中使用的随机量子化方法的工作方式非常相似。

“随机量子化涉及将量子噪声引入场系统，这允许对量子场进行概率解释，”Wang解释说。“这种方法在晶格场论中很有用，因为它提供了一种在计算机上模拟量子场论的替代方法。

另一种看待它的方式是，虽然生成扩散通过逆向工程噪声从随机噪声中生成真实数据，但随机量化通过量子噪声的演化从微不足道的量子世界中模拟真实的量子世界。

Wang和他的团队通过将这种对应关系应用于特定类型的晶格场理论模拟来证明这种对应关系的实用性。他们找到解决方案的速度比以前要快得多。

该团队打算利用他们的发现来研究更复杂的系统。“下一步是探索一个具有更多维度的量子场系统，它更接近我们的物理世界，”王说。

更多信息：L. Wang 等人，扩散模型作为晶格场理论中的随机量子化，《高能物理杂志》（2024 年）。DOI： 10.1007/JHEP05（2024）060