Comment un ordinateur quantique a distingué le passé du futur express
On ne peut pas regarder un film de tasse cassée à l'envers : l'augmentation du désordre, ou entropie, indique le sens du temps. Mais les équations du microcosme sont symétriques — le passé et le futur y sont équivalents. Pour comprendre comment naît la flèche du temps, des scientifiques ont utilisé un processeur quantique en carbone diamant avec dix qubits (les équivalents quantiques des bits).
On y a lancé des processus où la chaleur passe du chaud au froid, ainsi que leurs versions inversées, en insérant des mesures qui forçaient l'entropie à augmenter. Les données ont été données à un réseau de neurones. Sans indices, il a appris à distinguer le flux direct de chaleur du flux inverse avec une précision de 92 %, comme s'il extrayait du bruit les signes d'irréversibilité.
Ce n'est pas qu'un jeu. Savoir lire la flèche du temps dans les systèmes quantiques rapprochera la création de moteurs microscopiques et révélera comment un monde irréversible naît de la symétrie. D'ailleurs, le processeur en diamant fonctionnait à température ambiante — une rareté pour les dispositifs quantiques.
Résumé original
tel que rédigé par les auteurs, en anglais 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.
Il suffisait de retirer les mesures du processus pour que la symétrie soit restaurée et que le réseau de neurones ne distingue plus le sens du temps. Ce sont les mesures quantiques qui « activent » l'irréversibilité.
L'idée de reconnaître la flèche du temps dans les données quantiques évoque le film « Tenet », où l'entropie inversée fait remonter le temps.