Wetenschappers hebben een innovatieve techniek ontwikkeld om de dynamiek van quantummechanische systemen nauwkeuriger en sneller in kaart te brengen. Door de inzet van reinforcement learning — een vorm van machine learning waarbij een systeem leert door middel van beloningen en straffen — is het nu mogelijk om specifieke 'vaste punten' en eigenstaten van quantumoperaties te lokaliseren zonder volledig afhankelijk te zijn van traditionele, rekenintensieve numerieke methoden.
De kern van deze nieuwe benadering ligt in het iteratief construeren van een unittestaire transformatie. Dit proces stelt het algoritme in staat om de computationele basis van een systeem te koppelen aan de basis van de vaste punten. De effectiviteit van dit proces wordt gestuurd door een beloningsmechanisme dat direct is gekoppeld aan de resultaten van quantummetingen. Wanneer de focus verschuift naar een Hamiltonian evolutie, transformeert de taak van het algoritme naar het bepalen van de Hamiltonian eigenstaten. Deze staten zijn essentieel voor het begrijpen van energieniveaus en de algehele stabiliteit van een systeem, concepten die fundamenteel zijn binnen de britannica.com.
Volgens de resultaten in een publicatie op arxiv.org biedt deze methode een aanzienlijk voordeel bij het vinden van complexe transformaties. Om de theorie te staven, hebben María Laura Olivera-Atencio, Jesús Casado-Pascual en Denis Lacroix diverse benchmarks uitgevoerd. Het algoritme werd eerst getest op willekeurige Hamiltonians met twee en drie qubits, waarna de schaal werd uitgebreid naar 'many-body' systemen met maximaal zes qubits. Hierbij werden specifiek het all-to-all pairing Hamiltonian en het transversale veld-Isingmodel onderzocht.
Een van de meest opvallende bevindingen bij het gebruik van het pairing-model was het vermogen van het algoritme om verborgen symmetrieën bloot te leggen. Dit is van strategisch belang voor de wetenschap, omdat dergelijke symmetrieën gebruikt kunnen worden om het leerproces te beperken tot specifieke sectoren, wat de computationele snelheid verder optimaliseert. Daarnaast merkten de onderzoekers op dat er gebruik kan worden gemaakt van 'post-selection'. Dit houdt in dat staten met een hoge getrouwheid kunnen worden geselecteerd, zelfs voordat het algoritme volledig is geconvergeerd, waardoor waardevolle data sneller beschikbaar komt.
De integratie van kunstmatige intelligentie in dit vakgebied sluit aan bij een bredere technologische trend. Zo geeft het nist.gov aan dat quantumtechnologieën in toenemende mate hun weg vinden naar praktische toepassingen in sectoren zoals materiaalkunde en communicatie. De synergie tussen AI en quantumfysica helpt daarbij om de enorme complexiteit van deze systemen beheersbaar te maken.
Het onderzoek, dat oorspronkelijk in november 2025 werd ingediend en later in juli 2026 is herzien, is tevens gepubliceerd in Physical Review Research. Door de combinatie van versterkingsleren en directe quantummetingen beschikken theoretisch fysici en quantumengineers nu over een krachtig instrument om eigenschappen te extraheren die voorheen moeilijk toegankelijk waren. Dit is een cruciale stap voor de verdere ontwikkeling van geavanceerde materiaalsimulaties en de bouw van krachtigere quantumcomputers. Meer gedetailleerde informatie over de methodiek is beschikbaar in het volledige .