量子模拟器的快速进步现在使他们能够研究以前仅限于理论物理和数值模拟领域的问题。 Google Quantum AI 的一组研究人员及其合作者通过研究一维量子磁体(特别是自旋 1⁄2 粒子链)的动力学，展示了这种新颖的功能。他们研究了近年来备受关注的统计力学问题：这样的一维量子磁体是否可以用与雪花飘落和结块相同的方程来描述?这两个系统之间的联系似乎很奇怪，但在 2019 年，卢布尔雅那大学的研究人员发现了惊人的数值证据，使他们推测自旋 1⁄2 海森堡模型中的自旋动力学位于 Kardar-Parisi-张(KPZ)普适性类，基于无限温度自旋-自旋相关函数的缩放。

KPZ 方程最初是为了描述驱动界面的随机、非线性动力学而引入的，并已被证明适用于广泛的经典系统，例如属于 KPZ 通用类的森林前沿。如果自旋 1⁄2 海森堡模型如卢布尔雅那研究人员所推测的那样属于这一普遍性类别，那将是令人惊讶的，因为它是线性且非随机的，与该类别中的其他系统不同。

2022 年，马克斯普朗克量子光学研究所的研究人员进行的冷原子实验，量子模拟开始揭示这个问题。通过研究磁自旋初始不平衡的弛豫，他们找到了支持这一猜想的实验证据，该证据于 2022 年发表在《科学》杂志上。

为了进一步探索该模型中的自旋动力学，谷歌合作利用其超导量子处理器的能力快速获取大量实验数据，从而可以对基础统计数据进行详细研究。具体来说，他们使用由 46 个超导量子位组成的链，

测量了穿过链中心的自旋数量的概率分布，该量称为转移磁化强度。该分布的均值和方差表现出与 KPZ 普遍性类别一致的行为，与马克斯普朗克研究所小组的发现完全一致。只有当他们仔细检查转移磁化强度的第三(偏度)和第四(峰度)矩时，他们才发现与 KPZ 普适性类的预测存在明显偏差，这表明该猜想在实验中探测的时间尺度上不成立。

一般来说，以足够的精度测量随机变量的分布，以便可以通过足够的信噪比来解析较高的矩，这是极具挑战性的;它需要快速采样、高水平的控制，对于量子处理器来说，还需要量子相干性。这项工作于 2024 年 4 月 5 日发表在《科学》杂志上，完美地代表了当前激动人心的量子模拟时代，其中量子处理器可以加深我们对新颖物理现象的理解。