4月10日，周三
今天学校请了22年诺贝尔物理奖得主Alain Aspect来开关于量子纠缠和非定域的讲座。因为是法国，所以估计沟通会方便一些。因为太多人参加，从比较小的、平常的G4换到G1教室——这大概是物理楼里最大的教室了。
人非常非常多，我站了整整一小时，周围还有很多没有座位坐在过道上或者站在后后面的，大家都对这个活动十分热情。
至于内容，因为是面对一般（物理）群体，大多比较简单，开始的例子也是经典的和8.03开头一致的photon&polarizator，实际上实验的装置设置也是如此。只要满足广相下的足够远，就能避免发生信息传递并保证纠缠的验证。因为是亲历者，他回顾了从理论到实验再到未来的一系列发展（还提了一句Jianwei Pan，看来这个组确实很有知名度）。
比较意外的是，nonlinear effect竟然还在实验装置中起到了一些关键作用，真是难以想象，即便是看起来跨度很大的学科也可能联系到一起。
另外Alain他和nature存在矛盾，所以给nature供稿，也是挺好玩儿的。
最后说到，这个纠缠和非定域性的未来两点应用（基于Einstein对EPR paradox不成立的分析）可能是量子计算机和量子加密/量子通信，所以确实，这个系统存在前景，而且很多人都在做这方面的研究。他特别提到了quantum memory，鼓励年轻人们进行这方面的研究
说到这里，不妨再回顾一下昨天听的materials colloquium，第二个是Nanometallurgy组的small structure printing，这个偏重fabrication，而且介绍的内容实际上在去年的lab tour中就见过了，只是这个博后在美国那边做的东西是没听说过的，名为HIAM，hydrogel infusion additive manufacturing。这个技术可以实现printing material，主要是金属（离子）和结构的decouple，也就是无需考虑结构的选材。
第一个是MAVT的，他们组主要做机器学习下的inverse meta-material design，也就是从性能到结构。思路很清晰，用有限元训练结构->性能的神经网络，再反向训练验证用的神经网络，最后输入目标性能，通过正向网络得到结构，再用反向网络得到该结构下的性能，比较输出性能和输入的目标值以衡量输出结构。这样做的好处是，第二部不需要高成本的有限元，快速估计结构是否符合需求。文章：Inverse-designed spinodoid metamaterials。
更惊人的是，可以使用diffusion model来生成结构的应力分布等更微观/连续/几何相关的性质。他们使用stress contour训练diffusion model，再根据理想的性质和前者描述的方法直接生成stress contour，高效进行结构的生成与验证，文章链接如下：Inverse design of nonlinear mechanical metamaterials via video denoising diffusion models。
不过这里都是力学的模型，如果是电动力学下，就会有wavelength这个intrinsic limitations——目标波长是和结构尺寸直接相关的，物理验证会变得更困难；而且可以想象，使用diffusion训练，在保持consistency的情况下，对time和accuracy的scaling一般不是线性的，context length存在限制，这也正是为什么不管是openai还是其他视频生成服务，都很难做到极长时间的consistency，这可能会对这一方法产生影响，但也不是完全不可规避的。
好了，还是看看晚上吃的饼夹肉吧，味道真的很好，而且超市居然有卖烧饼的，真是意料之外…
_ _ _ _ _ _ _ _ _ _ _ _ _ _
点击复制
点击复制
