《一个新的理论模型捕获自旋动力学的Rydberg分子》

  • 来源专题:可再生能源
  • 编译者: pengh
  • 发布时间:2019-11-15
  • Rydberg分子是由一个Rydberg原子上的几十个或几百个原子组成的大分子。这些分子有永久的偶极子。当其中一个原子处于高度激发态时,即为一对相反的带电或磁化的极。

    几年来,物理学家们一直在理论和实验上研究Rydberg分子。然而,大多数研究这些分子的研究都只集中在不涉及量子自旋的情况下,因为Rydberg分子的多体性质使得分析它们的自旋动力学特别具有挑战性。

    在最近的一次理论学习,东京大学的研究员,中国科学院,马克斯普朗克研究所和哈佛大学能够捕捉Rydberg-electron自旋相互作用的动力学和原子的轨道运动,使用一种新的方法,结合高斯拟设一个impurity-decoupling转换。他们的论文发表在《物理评论快报》(Physical Review Letters)和《物理评论A》(Physical Review A)上,介绍了一种新的理论模型,该模型也可应用于其他量子多体问题。

    “由于Rydberg分子固有的多体性质,对其自旋动力学的分析一直是一个具有挑战性的问题,”进行这项研究的研究人员之一Yuto Ashida告诉Phys.org。“我们研究的主要目的是解决这个问题,推进我们对多刺里德伯气体的不平衡自旋动力学的理解。”

    摘要研究自旋不平衡的主要挑战在于,物理学家必须同时考虑原子的轨道运动和通过超长距离耦合而产生的杂质-环境纠缠。这使得捕获Rydberg分子的自旋动力学变得非常困难。

    “据我们所知,目前还没有一种理论方法适用于这种新型的量子多体问题,”芦田解释道。这就是为什么我们开发了一种新的变分方法来解决泛型的玻色子量子杂质问题。

    Ashida和他的同事提出的新的理论方法是基于一个被称为“解开经典变换”的想法,这个想法是由同一个研究团队在之前的一篇论文中提出的,也发表在PRL上。解缠正则变换利用奇偶校验对称性来完全解耦杂质和环境自由度,这最终使研究人员能够以一种非常有效的方式克服捕获Rydberg气体中自旋动力学的相关问题。

    Ashida和他的同事们用来捕获Rydberg电子自旋动力学和Rydberg分子中原子轨道运动相互作用的变分方法,结合了分离正则变换和粒子浴的高斯ansatz。这种方法使研究人员得以揭示传统杂质问题中不存在的几个特征。

    这些特征之一是相互作用引起的吸收光谱的重正化,这从分子束缚态中很难得到简单的解释。利用他们的变分法,研究人员还能够观察到持久的里德堡电子自旋振荡。

    芦田说:“我们研究中最有趣的发现是,尽管目前的多体相互作用问题具有不可积性,但自旋进动的寿命却出乎意料的长。”“我们把这个特征解释为所谓的中心自旋问题的可积性的残余,如果我们在我们的模型中取无限质量极限,就可以得到它。”

    Rydberg分子中自旋进动的持续时间长得惊人,这一发现可能会对物理学的几个子领域产生影响,包括原子、分子和光学(AMO)物理学。事实上,在复杂的多体系统中存在的弛豫和热化仍然是AMO物理和统计物理中一个活跃的研究领域。

    在未来,研究人员开发的变分模型和他们进行的分析也可以应用于其他系统的原子物理和量子化学。对于高轨道量子数的电子激发与旋量量子浴相互作用的系统尤其如此。

    “在我们的下一步研究中,我们希望进一步扩展我们的模型,使之包括里德堡电子的非零角动量,”芦田说。其他开放的研究问题包括我们的问题泛化到费米电子浴,应用我们的一般变分方法来解决其他有挑战性的量子杂质问题。我们希望我们的研究将促进这些方向的进一步研究。”

相关报告
  • 《机器学习助力于构建酶动力学模型》

    • 来源专题:生物科技领域知识集成服务
    • 编译者:陈方
    • 发布时间:2020-09-11
    • 2018年12月7日《自然-通讯》报道,德国杜塞尔多夫大学和美国加州大学的研究人员通过机器学习识别出了决定酶活性的重要特性,能够更清楚地描述酶的动力学,更精确地模拟代谢过程,并分析细胞网络中各种成分之间的相互作用。 合成生物学研发依赖于对生物细胞中复杂系统的详细和定量的理解。只有理解了这些系统,目标操作才能实现。而生物代谢系统往往非常复杂,涉及到几百种酶的相互作用。了解酶的催化转化率对于了解生物体的生长速率、蛋白质组分和生理学都是至关重要的,然而每一种酶的个体活性目前还无法定量分析,有关酶转化率的实验数据很少,而且噪音很大。 该研究证明机器学习可以根据酶生物化学、蛋白质结构和网络环境的综合数据成功预测大肠杆菌中的酶的催化转化效率。研究者发现了一组对体内和体外酶转化率具有一致预测作用的特征,揭示了催化转化率与蛋白结构之间的相关性。研究使用预测来参数化两个蛋白质组限制代谢模型框架,其定量蛋白质组数据预测的准确性显著高于以前的方法。研究者表示,所提出的机器学习模型为理解代谢和基因组规模的蛋白质组提供了一个有价值的工具,并阐明了构成酶动力学基础的结构、生化和网络特性。 吴晓燕 编译自https://phys.org/news/2018-12-metabolic-machine.html#jCp 原文链接:https://www.nature.com/articles/s41467-018-07652-6                       原文标题:Machine learning applied to enzyme turnover numbers reveals protein structural correlates and improves metabolic models
  • 《结合Eyring 速率过程理论和自由体积概念构建COVID-19感染动力学模型》

    • 来源专题:新发突发疾病(新型冠状病毒肺炎)
    • 编译者:蒋君
    • 发布时间:2020-03-21
    • 本文使用了化学和物理学领域非常流行的Eyrings速率过程理论和自由体积概念来进行COVID-19的感染动力学建模。本文假定易感人群从一个地方随机移动到另一个地方,假定病毒颗粒的传输遵循Eyring速率过程理论,并且还受系统中可用空间的控制。传播过程被认为是一个连续的化学反应,可以计算得出四个流行病学区室(易感人群、暴露人群、感染人群和病愈的免疫人群)的浓度/分数。研究所得的方程式表明,基本繁殖数R0不是常数,取决于病毒颗粒的体积分数、病毒颗粒大小、病毒颗粒的堆积结构、与易感个体的免疫力和环境温度。本研究所开发的模型可模拟COVID-19的传播,并预测高峰时间、高峰感染和基本繁殖数。