Как квантовый компьютер различил прошлое и будущее экспресс
Фильм о разбитой чашке невозможно смотреть задом наперёд: рост беспорядка, или энтропии, указывает течение времени. Но уравнения микромира симметричны — прошлое и будущее в них равноправны. Чтобы понять, как рождается стрела времени, учёные использовали квантовый процессор из углеродного алмаза с десятью кубитами (квантовыми аналогами битов).
На нём запускали процессы, где тепло перетекает от горячего к холодному, и их обратные копии, вставляя измерения, которые заставляли энтропию расти. Данные скормили нейросети. Без подсказок она с точностью 92% научилась отличать прямое движение тепла от обратного, словно выхватывая из шума признаки необратимости.
Это не просто игра. Умение читать стрелу времени в квантовых системах приблизит создание микроскопических двигателей и раскроет, как из симметрии рождается необратимый мир. Кстати, алмазный процессор работал при комнатной температуре — редкость для квантовых устройств.
Оригинальная аннотация
как её написали авторы, на английском 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.
Стоило убрать из процесса измерения — и симметрия восстанавливалась, а нейросеть переставала различать направление времени. Именно квантовые измерения «включают» необратимость.
Идея распознавания стрелы времени в квантовых данных отсылает к фильму «Довод», где инвертированная энтропия заставляет течь время вспять.