翻轉時間!量子時光機其實已經有了,雙向的,不能載人
如果有人告訴你,現在有一台時光機,還是可以雙向傳送的那種,能夠翻轉過去和未來,你信不信?
其實,這個「時光機」早就在科學家的實驗室中研究了不少日子了,只不過它的乘客不是人類,而是粒子。
更確切地說,是光子。就像人類變成狼人時,狼人也變成了人類。在精心設計的電路中,這些光子的行為就像時間在向前和向後的量子組合中流動一樣。
蘇格蘭格拉斯哥大學的量子物理學家索尼婭·弗蘭克-阿諾德(Sonja Franke-Arnold)說:「這是有史以來第一次,我們有了一台類似雙向時間旅行的機器。
遺憾的是,對於科幻小說迷來說,這些設備與1982年的DeLorean沒有任何共同之處。在由中國和奧地利的兩個獨立在團隊進行的整個實驗過程中,實驗室的時鐘繼續穩定地向前跳動。
只有飛過電路的光子經歷了時間上的詭異變化。而且,研究人員還在爭論這個「時間之箭的翻轉」是真的還是模擬的。
不過,這種令人困惑的現象可能會導致新型的量子技術的出現。
顛覆時間的概念
##在十年前,物理學家在十年前首次意識到,量子力學的奇怪規則推翻了常識中的「時間」概念。
是這樣的。當你尋找一個粒子時,你總是在一個單一的、類似點的地方偵測到它。
但在被測之前,一個粒子的行為更像是一種波,表現為一個 “波函數”,在多條路線上擴散和振動。在這種未定的狀態下,粒子存在於一種被稱為「疊加」的可能位置的量子態中。
在2013年發表的一篇論文中,現任職於香港大學的物理學家朱利奧·奇里貝拉(Giulio Chiribella)等提出了一種電路,可以將事件放入時間順序的疊加中,這比空間中的位置疊加更進一步。
四年後,魯比諾和她的同事直接用實驗證明了這個想法。他們將一個光子送入兩條路徑的疊加中:
在一條路徑中,光子先經歷事件A,然後是事件B,另一條路徑中,先經歷事件B ,然後經歷事件A。在某種意義上,每個事件似乎都會引起另一個事件,後來被稱為不確定的因果關係。
奇里貝拉和他的同事並不滿足於在時間前進的過程中僅僅擾亂事件的順序,接下來他們瞄準了時間本身的行進方向,或者說箭頭。他們尋求一種量子儀器,在這種儀器中,時間進入了從過去到未來的疊加狀態,反之亦然--一種不確定的時間之箭。
要做到這一點,研究人員意識到,他們需要一個可以進行相反變化的系統,就像一個節拍器的手臂可以向左或向右擺動一樣。
他們設想將這樣的系統置於疊加狀態,就像一位音樂家同時向右和向左撥動一個「量子節拍器」一樣。
設想提出以後,光學奇才們立刻開始在實驗室裡建構模型。去年秋天,兩個團隊陸續宣佈建置成功。
「兩點式」遊戲
研究人員設計了一個只有量子兩面手才能勝任的遊戲。用光子來玩這個遊戲需要將光子發射到兩個晶體小工具,A和B。向後通過小工具會使偏振以恰好相反的方式旋轉。
在每一輪遊戲之前,「裁判員」秘密地將小工具設定為兩種方式之一。向前穿過A,然後向後穿過B的路徑,會使光子的波函數相對於時間反轉的路徑(向後穿過A,然後向前穿過B)發生移動,反之則不會。
在這場遊戲中,玩家必須弄清楚裁判員做出了哪個選擇。在玩家隨心所欲地安排好小工具和其他光學元件後,將一個光子送過迷宮。
光子最終會出現在兩個偵測器中的一個。如果玩家以足夠巧妙的方式設定了他們的迷宮,那麼擁有光子的探測器的點擊就會顯示出裁判的選擇。
當玩家設定了電路,使光子在每個小工具中只有一個方向移動,那麼,即使A和B的因果順序不確定,探測器的點擊最多只有大約90%的時間與秘密小工具的設定相符。
只有當光子經歷了一個疊加,使其向前和向後穿過兩個小工具時(一種被稱為“量子時間翻轉”的現象),才能在理論上贏得每一輪實驗。
去年,位於中國合肥和奧地利維也納的兩個團隊都建立了各自「量子時間翻轉」電路。經過100萬輪的測試,維也納團隊將遊戲成功率提升至99.45%。另一個團隊則在99.6%的回合中獲勝。
這兩個結果都打破了理論上90%的限制,證明了實驗模型中光子經歷了兩個對立變換的疊加,因此代表時間方向的箭頭是不確定的。
解讀「時間翻轉」
雖然研究人員已經執行並命名了量子時間翻轉,但他們對哪個字最能體現他們的工作,觀點並不完全一致。
在奇里貝拉看來,這些實驗模擬了「時間之箭」的翻轉。實際上真正的翻轉,需要將時空結構本身排佈成兩種幾何形狀的疊加,其中時間指向不同的方向。
他說:「很明顯,從這個角度出發,這個實驗並沒有實現真正的時間翻轉。」
另一個團隊認為,這些電路的最大意義是,在模擬時空方面邁出了重要的一步。研究人員表示,光子的可測屬性的變化,與它們通過兩個時空幾何形狀的真正疊加時的變化完全一致。
而在量子世界中,可測物之外沒有任何現實。 「也就是說,從狀態本身來看,模擬和真實的東西之間沒有區別。」
沒有反轉時間?也沒關係
而無論如何,物理學家都希望,這個設計同時以兩種方式流動的量子電路的能力可能會使量子計算、通訊和計量學的新設備成為可能。
法國Néel研究所的量子資訊理論家Cyril Branciard說:「這讓你可以做更多的事情,而不僅僅是以一種順序操作。」
一些研究人員推測,量子時間翻轉的時間旅行味道可能使未來的量子「撤銷」成為可能。還有人預計,同時在兩個方向運作的電路可以使量子機器更有效地運作。
還有研究人員表示:「可以把這種模型用於遊戲,減少所謂的查詢複雜度。」他指的是執行某些任務所需的步驟數。
這樣的實際應用還遠遠未能保證。雖然時間翻轉電路在Chiribella和Liu的猜謎遊戲中打破了理論上的性能極限,但那是一個高度設計的任務,只是為了突出它們比單向電路的優勢,距離實際應用還非常遙遠。
但怪異的、看似小眾的量子現象卻有證明自己有用的訣竅。知名物理學家安東·齊林格曾認為,量子糾纏-分離的粒子之間的連結無法帶來任何好處。
今天,量子糾纏將新生的量子網路中的節點和原型量子電腦中的量子位元聯繫在了一起,齊林格對這一現像上的研究為他贏得了2022年諾貝爾物理學獎。而對於量子時間的可翻轉性問題,現在仍處於非常早期的階段。
以上是翻轉時間!量子時光機其實已經有了,雙向的,不能載人的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

熱門話題

想像一下,一個人工智慧模型,不僅擁有超越傳統運算的能力,還能以更低的成本實現更有效率的效能。這不是科幻,DeepSeek-V2[1],全球最強開源MoE模型來了。 DeepSeek-V2是一個強大的專家混合(MoE)語言模型,具有訓練經濟、推理高效的特點。它由236B個參數組成,其中21B個參數用於啟動每個標記。與DeepSeek67B相比,DeepSeek-V2效能更強,同時節省了42.5%的訓練成本,減少了93.3%的KV緩存,最大生成吞吐量提高到5.76倍。 DeepSeek是一家探索通用人工智

AI,的確正在改變數學。最近,一直十分關注這個議題的陶哲軒,轉發了最近一期的《美國數學學會通報》(BulletinoftheAmericanMathematicalSociety)。圍繞著「機器會改變數學嗎?」這個話題,許多數學家發表了自己的觀點,全程火花四射,內容硬核,精彩紛呈。作者陣容強大,包括菲爾茲獎得主AkshayVenkatesh、華裔數學家鄭樂雋、紐大電腦科學家ErnestDavis等多位業界知名學者。 AI的世界已經發生了天翻地覆的變化,要知道,其中許多文章是在一年前提交的,而在這一

波士頓動力Atlas,正式進入電動機器人時代!昨天,液壓Atlas剛「含淚」退出歷史舞台,今天波士頓動力就宣布:電動Atlas上崗。看來,在商用人形機器人領域,波士頓動力是下定決心要跟特斯拉硬剛一把了。新影片放出後,短短十幾小時內,就已經有一百多萬觀看。舊人離去,新角色登場,這是歷史的必然。毫無疑問,今年是人形機器人的爆發年。網友銳評:機器人的進步,讓今年看起來像人類的開幕式動作、自由度遠超人類,但這真不是恐怖片?影片一開始,Atlas平靜地躺在地上,看起來應該是仰面朝天。接下來,讓人驚掉下巴

本月初,來自MIT等機構的研究者提出了一種非常有潛力的MLP替代方法—KAN。 KAN在準確性和可解釋性方面表現優於MLP。而且它能以非常少的參數量勝過以更大參數量運行的MLP。例如,作者表示,他們用KAN以更小的網路和更高的自動化程度重現了DeepMind的結果。具體來說,DeepMind的MLP有大約300,000個參數,而KAN只有約200個參數。 KAN與MLP一樣具有強大的數學基礎,MLP基於通用逼近定理,而KAN基於Kolmogorov-Arnold表示定理。如下圖所示,KAN在邊上具

谷歌力推的JAX在最近的基準測試中表現已經超過Pytorch和TensorFlow,7項指標排名第一。而且測試並不是JAX性能表現最好的TPU上完成的。雖然現在在開發者中,Pytorch依然比Tensorflow更受歡迎。但未來,也許有更多的大型模型會基於JAX平台進行訓練和運行。模型最近,Keras團隊為三個後端(TensorFlow、JAX、PyTorch)與原生PyTorch實作以及搭配TensorFlow的Keras2進行了基準測試。首先,他們為生成式和非生成式人工智慧任務選擇了一組主流

目標偵測在自動駕駛系統當中是一個比較成熟的問題,其中行人偵測是最早得以部署演算法之一。在多數論文當中已經進行了非常全面的研究。然而,利用魚眼相機進行環視的距離感知相對來說研究較少。由於徑向畸變大,標準的邊界框表示在魚眼相機當中很難實施。為了緩解上述描述,我們探索了擴展邊界框、橢圓、通用多邊形設計為極座標/角度表示,並定義一個實例分割mIOU度量來分析這些表示。所提出的具有多邊形形狀的模型fisheyeDetNet優於其他模型,並同時在用於自動駕駛的Valeo魚眼相機資料集上實現了49.5%的mAP

特斯拉機器人Optimus最新影片出爐,已經可以在工廠裡打工了。正常速度下,它分揀電池(特斯拉的4680電池)是這樣的:官方還放出了20倍速下的樣子——在小小的「工位」上,揀啊揀啊揀:這次放出的影片亮點之一在於Optimus在廠子裡完成這項工作,是完全自主的,全程沒有人為的干預。而且在Optimus的視角之下,它還可以把放歪了的電池重新撿起來放置,主打一個自動糾錯:對於Optimus的手,英偉達科學家JimFan給出了高度的評價:Optimus的手是全球五指機器人裡最靈巧的之一。它的手不僅有觸覺

這篇論文探討了在自動駕駛中,從不同視角(如透視圖和鳥瞰圖)準確檢測物體的問題,特別是如何有效地從透視圖(PV)到鳥瞰圖(BEV)空間轉換特徵,這一轉換是透過視覺轉換(VT)模組實施的。現有的方法大致分為兩種策略:2D到3D和3D到2D轉換。 2D到3D的方法透過預測深度機率來提升密集的2D特徵,但深度預測的固有不確定性,尤其是在遠處區域,可能會引入不準確性。而3D到2D的方法通常使用3D查詢來採樣2D特徵,並透過Transformer學習3D和2D特徵之間對應關係的注意力權重,這增加了計算和部署的
