一组物理学家通过向量子计算机内的原子发射一种精心安排的激光脉冲序列，这种序列受到了斐波那契数列的启发，由此创造出了一种前所未见的物质相。
它的惊人特性在于，尽管只存在一个单一的时间流，但这种相却具有两个时间维度的优势。这种听上去令人费解的特性，实际上带来了一种备受青睐的好处，那就是，与目前用于量子计算机的其他设置相比，存储在这种相中的信息对错误的抵御能力要强得多，信息可以存在更久，且不被扰乱。
这项研究已发表在《自然》杂志上，它标志着量子计算的可行性又向前迈进了一步。
让量子比特更稳定
团队使用的量子计算机主要包括了10个镱原子离子。每个离子都被一个离子阱产生的电场单独控制，并可以用激光脉冲进行操纵或测量。每一个原子离子就是科学家口中的量子比特。
经典计算机会将信息量化为比特，每个比特代表0或1。而量子计算机使用的量子比特则可以利用量子力学的奇异性来存储更多信息。正如薛定谔的猫在盒子里既生又死一样，一个量子比特可以是0、1或两者的“混合”，也叫叠加。
这种额外的信息密度和量子比特相互作用的方式，让量子计算机有望解决传统计算机无法企及的计算问题。
不过，在实践中还存在一个大问题。就像偷看薛定谔的盒子会决定猫的命运一样，与量子比特的相互作用同样如此。
即使严格控制所有的原子，它们也会因为与环境相互作用，升温或以某种计划之外的方式与事物发生相互作用，从而失去量子性。在实践中，实验设备有许多误差源，在短短几个激光脉冲之后就会降低相干性。
因此，研究人员面临的最大挑战之一就是让量子比特变得更“稳固”。
两种时间对称性
要做到这一点，物理学家可以利用对称性，它本质上来说就是一种能够包容变化的特性。举个例子，一片雪花具有旋转对称性，因为它在旋转60度后看上去和原来没什么区别。
一种方法是通过用有节奏的激光脉冲轰击原子，来提高时间对称性。这种方法有所助益，但研究人员想知道，他们是否能更进一步。
因此，他们的目标不是只有一种时间对称性，而是通过使用有序但不重复的激光脉冲来增加两种时间对称性。这种方法使用了一个“额外”的时间维度，这是一种完全不同的思考物质相的方式。
理解这种方法的最好方式，可以先想想其他那些有序但不重复的东西，比如准晶。
典型的晶体有一种规则且重复的结构，就像蜂巢中的六边形。准晶仍然具有秩序，但它的图案从不重复。彭罗斯铺砌就是其中的一个例子。
更神奇的是，准晶来自更高维度的晶体到低维度的投射，或者说“压扁”。那些高维度甚至可以超越物理空间的三维。例如，一个二维的彭罗斯铺砌，就是一个五维晶格的投射切片。
彭罗斯铺砌。
对于量子比特，团队在2018年提出了在时间而非空间上创建一种特别的“准晶”。周期性的激光脉冲会交替出现，也就是A、B、A、B、A、B……而研究人员在斐波那契序列的基础上提出了一个准周期性的激光脉冲方案。
在这样的序列中，序列的每一部分都是前两部分的总和，就是A、AB、ABA、ABAAB、ABAABABA……这种排列就像准晶一样，是有序的，但不重复。并且，与准晶类似，它也是一种被压缩到单一维度的二维模式。
这种维度的扁平化在理论上导致了两种时间对称性，而不是只有一种。这个系统实际上从一个不存在的额外时间维度中获得了一种额外的对称性。
实验验证
不过，实际的量子计算机是非常复杂的实验系统，所以理论上的优势是否真的会在现实世界的量子比特中持续存在，仍然没有得到证实。
因此，研究人员使用量子计算机对这一理论进行了测试。他们周期性地向计算机的量子比特发射激光，并使用了那种基于斐波那契数列的序列。重点是位于10个原子排列两端的量子比特，他们期望在那里看到新的物质相同时经历两种时间对称性。
在周期性测试中，边缘的量子比特保持了大约1.5秒，考虑到量子比特之间的强烈互动，这已经是一个惊人的时长。在准周期模式下，量子比特在整个实验过程中都保持了量子态，约有5.5秒。这是因为额外的时间对称性提供了更多的保护。
有了这种准周期序列，就有了一种复杂的演化，它可以抵消所有边缘的错误。正因如此，边缘保持量子力学一致性的时间会比预期的要长得多。
尽管结果表明，新的物质相可以作为长期的量子信息存储，但研究人员仍然需要在功能上将这种相和计算方面进行整合。有了这种直接的应用，但还要找到一种方法将它与计算挂钩。这是团队正在研究的一个开放性问题。
参考来源：
https://www.simonsfoundation.org/2022/07/20/strange-new-phase-of-matter-created-in-quantum-computer-acts-like-it-has-two-time-dimensions/
https://www.iflscience.com/pulsed-quantum-bits-behave-as-if-theyre-symmetrical-in-two-time-dimensions-64529
封面图/首图来源：Inductiveload, Wikimedia Commons
,
