Квантовые спиновые цепочки напоминают шеренгу людей, передающих друг другу секретное рукопожатие: каждый поворачивается к соседу, и от того, насколько крепко они сжали ладони, зависит, как пробежит волна по всей цепочке. В идеальной модели гейзенберговской цепочки Гейзенберга — фундамента квантового магнетизма — все рукопожатия одинаковы. Но в реальном углеродном нанографене, где спины сидят на молекулах олимпийского радикала, однородность — миф. Сканирующая туннельная спектроскопия улавливает отзвуки этих спиновых касаний — словно чувствительный микрофон, регистрирующий хлопки ладоней, — но расшифровать точную силу каждого контакта долго не удавалось.

Здесь вступает машинное обучение. Нейронную сеть натренировали на численных симуляциях цепочек с заведомо разными обменными константами. На вход подавались скользящие окна спектральных функций от трёх узлов. Сеть решает обратную задачу квантовых измерений — восстанавливает микроскопический гамильтониан по макроскопическим данным, словно дирижёр по звучанию оркестра определяет, кто из музыкантов фальшивит.

Применив метод к реальным олимпийским цепочкам на золоте, реконструкция выявила сильно неоднородную картину. Некоторые связи оказались почти на четверть сильнее других — одни спины пожимали друг друга крепко, до хруста, а другие едва соприкасались. Однородная модель предсказывала энергетическую щель с ошибкой в 2,6 мэВ. Нейросеть снизила ошибку до 1,8 мэВ и точно воспроизвела спиновые корреляции на картах dI/dV. Даже в почти однородной цепи она улучшила описание высокоэнергетических возбуждений.

Этот успех ломает догму об идеальной периодичности в квантовых магнитных материалах и даёт мощный инструмент для калибровки кубитов. Теперь, подобно тому как анализ перекрёстных рукопожатий раскрывает структуру тайного общества, мы по спектроскопическому «шуму ладоней» можем нарисовать полную схему обменных связей. Перспектива уходит далеко за нанографен: метод можно обобщить на анизотропные взаимодействия и многоспиновые члены, объединить с автономными экспериментальными платформами, которые в реальном времени обследуют квантовые вычислительные архитектуры. Так машинное обучение становится переводчиком с языка квантовых возбуждений на язык инженерных параметров, приближая день, когда квантовые устройства будут настраивать с той же лёгкостью, с какой мы регулируем громкость в наушниках.