现阶段，生物学家正根据量子测算和深度神经网络二种仿真模拟方式来科学研究黑洞吸引力，求得可以叙述这一吸引力的量子矩阵实体模型。

黑洞里到底有哪些？人们周边出现的一切，是不是仅仅粒子的一幅全息技术图呢?

为了更好地解释这种问题，美国密歇根大学科学家Enrico Rinaldi精英团队根据量子测算和深度神经网络来了解全息成像对偶性(holographic duality)定义。科学研究结论近日发布在《物理评价X辑-量子》(PRX Quantum)上。

照片来源于Enrico Rinaldi

正如这幅图象，弯折时光的图型联接了量子测算和深度神经网络（深度学习是一种应用神经元网络方式的人工神经网络）二种仿真模拟方式。在左下边，深度神经网络方式如点图（即神经元网络）所显示，而右上角的量子路线方式则由平行线、方形和环形表明，方形和环形各自相匹配量子位和量子位门。仿真模拟方式与弯折时光的每一侧合拼，为此表明该吸引力科学研究根据仿真模拟完成。

全息成像对偶性是一种数学猜想，它将粒子以及相互影响的概念与吸引力基础理论联络下去。这一猜测说明，吸引力基础理论和粒子理论在数学课上是等价关系的：在吸引力基础理论中产生的事儿，也会在粒子基础理论中产生，相反也是。这2种基础理论叙述了不一样的层面，在黑洞的内部结构，吸引力存有于三维空间，而粒子基础理论存有于二维空间。

偏振下M87超大型品质黑洞图象

要了解这一点，可以设想一下黑洞。黑洞因为极大品质而造成时空扭曲。存有于三维空间的黑洞吸引力，在数学课上与存有于二维空间的粒子联络在一起。因而，虽然黑洞存有于三维空间中，但大家看见的黑洞则是根据二维空间的粒子投影出去的景色。

一些生物学家乃至推断，全部宇宙空间全是粒子的全息技术，这也许会引起一致的量子吸引力基础理论。

“在牛顿的狭义相对论中，并没有粒子，仅有时光。在粒子物理的标准模型中，并没有吸引力，仅有粒子。”科学家Rinaldi说，“将这两类不一样的基础理论联络下去，是物理中一个长期性存在的不足——自上世纪至今大家一直在试着做这件事情。”

在此项探究中，Rinaldi与精英团队运用量子测算和深度神经网络来检测全息成像对偶性，以发觉量子矩阵实体模型的最少动能情况。精英团队应用了2个简易到可以用传统式方式处理的矩阵实体模型，根据全息成像对偶性来叙述黑洞这一更繁杂的矩阵实体模型。

量子矩阵模型意味着着粒子基础理论。全息成像对偶性说明，数学课上，一个意味着粒子基础理论的系统软件中所出现的事儿一样会影响到一个意味着吸引力的系统软件。因而，处理这种一个量子矩阵实体模型可以揭露吸引力的有关信息。

“大家想要根据标值试验掌握这类粒子基础理论的特性，进而掌握一些有关吸引力的信息内容，”Rinaldi说，“缺憾的是，处理粒子基础理论依然不易。而这就是电子计算机可以协助大家的地区。”

要处理那样的矩阵实体模型，科学研究工作人员最先需要寻找系统软件中意味着系统软件最少能态(即基态)的粒子的详细配备。

Rinaldi表述，掌握基态很重要，例如针对一种原材料而言，基态代表着它是导线或是超导体、弱电或是弱电安装。“你能把矩阵实体模型中的数据想像成小石子，当碎石子呈水准时，这就是实体模型的基态。”

为了更好地彻底解决这一问题，科学研究工作人员最先分析了量子路线。在这些方式中，量子路线用输电线表明，每一个量子位便是一根输电线。在电线电缆的上方是量子位门，可以根据门开展实际操作，标示信息内容怎样在电缆线上传送。

那怎样根据量子路线寻找基态呢？Rinaldi将其比成歌曲，在试验中并不了解怎样实际操作量子位，正如不清楚弹奏什么音乐符号。振动全过程会调节全部量子门，最后使他们以合理的方式发生，做到基态。正如根据多次弹奏，最后寻找恰当的音乐符号，弹奏得好，就拥有基态。

接着，科学研究工作人员还应用深度神经网络方式做为比较研究。深度神经网络是一种应用神经元网络方式的人工神经网络，这也是一系列尝试寻找数据信息中间相互关系的优化算法，类似人类大脑的工作方式。

神经元网络被用于设计方案人脸识别软件，根据接受千余张面部图象，神经元网络从这当中制作出脸部的特点，以鉴别单独图象或形成不存在的人的新面孔。

科学研究工作人员将矩阵实体模型量子态的数学课叙述，界定为量子波动方程。随后，她们应用一种特有的人工神经网络来查找具备最少动能的波动方程，即基态。神经元网络的数字化根据一个更新的“提升”全过程来寻找矩阵实体模型的基态。正如，敲打一桶碎石子，使每一粒沙粒都做到均衡。

在这里二种方式中，科学研究工作人员都能寻找二种矩阵实体模型的基态，但量子路线遭受量子位元的总数限定。现阶段精英团队运用的量子元器件只有解决几十个量子位。

“大家通常应用其它方式寻找基态的动能，但无法得到波动方程的总体构造。大家已经展现了怎么使用这种新型技术性，即量子电子计算机和深度神经网络，来获得基态的所有信息内容。”Rinaldi说，“因为这种矩阵很有可能表明着一种复合性的黑洞，如果我们了解这种矩阵怎样排序，及其两者的特性，大家就可以了解一个黑洞的内部结构是什么样子。黑洞表层有哪些?它究竟是从哪里而来的呢？?回应这种问题将是完成量子吸引力基础理论的一步。”

该精英团队科研成果为量子测算和机器学习算法的以后科学研究带来了关键标准，科学研究工作人员可以运用全息成像对偶来科学研究量子吸引力。而Rinaldi将与大量生物学家协作，科学研究这种优化算法成效怎样拓展到很大的矩阵实体模型，及其他们对引进“噪音”或不正确影响的可扩展性（鲁棒性指自动控制系统在一定主要参数的摄动下，保持一些特性的特点）。