Cómo una computadora cuántica distinguió entre pasado y futuro exprés
Es imposible ver una película de una taza rota al revés: el aumento del desorden, o entropía, indica la dirección del tiempo. Pero las ecuaciones del micromundo son simétricas: pasado y futuro son equivalentes en ellas. Para entender cómo nace la flecha del tiempo, los científicos usaron un procesador cuántico de diamante de carbono con diez cúbits (análogos cuánticos de los bits).
En él, ejecutaron procesos donde el calor fluye de lo caliente a lo frío, y sus copias inversas, insertando mediciones que hacían crecer la entropía. Los datos se alimentaron a una red neuronal. Sin pistas, aprendió con un 92% de precisión a distinguir el flujo directo del calor del inverso, como si arrancara señales de irreversibilidad del ruido.
Esto no es solo un juego. La capacidad de leer la flecha del tiempo en sistemas cuánticos acercará la creación de motores microscópicos y revelará cómo de la simetría nace un mundo irreversible. Por cierto, el procesador de diamante funcionaba a temperatura ambiente, una rareza para los dispositivos cuánticos.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2603.10344
Understanding the emergence of the thermodynamic arrow of time in microscopic systems is of fundamental importance, particularly given that unitary evolution preserves time-reversal symmetry. While projective measurements introduce temporal irreversibility, identifying this asymmetry from single evolution trajectories in the presence of stochastic fluctuations presents a considerable challenge. Here, we harness machine learning to identify the arrow of time from individual trajectories generated by a programmable ten-qubit quantum processor based on a nitrogen-vacancy center in diamond. We implement quantum circuits that realize unitary evolutions where heat flows from hotter to colder subsystems and their time-reversed counterparts. Projective measurements inserted in these processes induce entropy production, and their outcomes constitute the evolution trajectory. We demonstrate that an unsupervised clustering algorithm autonomously divides the experimental trajectories into two distinct groups without prior knowledge, while a convolutional neural network identifies the temporal direction of these trajectories with approximately 92% accuracy. In addition, we show that a diffusion-based generative model reproduces essential signatures of directional energy flow and entropy production. Our results establish machine learning as a powerful tool for uncovering underlying physical processes from complex experimental data, advancing the interface between quantum thermodynamics and artificial intelligence.
En cuanto se eliminaban las mediciones del proceso, la simetría se restauraba y la red neuronal dejaba de distinguir la dirección del tiempo. Son precisamente las mediciones cuánticas las que 'activan' la irreversibilidad.
La idea de reconocer la flecha del tiempo en los datos cuánticos remite a la película 'Tenet', donde la entropía invertida hace que el tiempo fluya hacia atrás.