Quantum machine learning interatomic potential: Application of variational quantum algorithm
تُظهر هذه الدراسة أن دمج دائرة كمومية في شبكة عصبية كلاسيكية عبر التعلم الانتقالي الكمومي يمكن أن يحسن بدقة طفيفة من دقة إمكانات الذرات لتعلم الآلة للتنبؤ بطاقة الجزيئات، لا سيما عندما يكون لدى النموذج الكلاسيكي المدرب مسبقاً مجال للتحسين.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول التنبؤ بكيفية سلوك آلة معقدة، مثل محرك سيارة أو خلية حية، بمجرد النظر إلى مخططاتها الهندسية. في عالم الكيمياء، يواجه العلماء تحديًا مشابهًا: فهم كيفية التصاق الذرات ببعضها البعض وكمية الطاقة التي تحملها. وللقيام بذلك بشكل مثالي، يتعين عليهم عادةً حل مسألة رياضية هائلة ومعقدة للغاية تسمى معادلة شرودنغر. الأمر يشبه محاولة حساب المسار الدقيق لكل قطرة مطر في عاصفة؛ إنها دقيقة للغاية ولكنها تتطلب قدرة حوسبة هائلة لدرجة أنها غالبًا ما تكون مستحيلة للجزيئات الكبيرة وغير المنتظمة.
هنا يأتي دور "إمكانات الذكة بين الذرية القائمة على التعلم الآلي" (MLIPs). فكر في هذه الإمكانات كأنها مساعدون أذكياء للغاية ومدربون؛ فبدلاً من حل الرياضيات الصعبة من الصقة في كل مرة، يتعلم هؤلاء المساعدون من الأمثلة. إنهم يدرسون الآلاف من الجزيئات المعروفة، ويحفظون الأنماط التي تترتب بها الذرات، ثم يخمنون طاقة الجزيئات الجديدة فورًا. إنه يشبه خبير الأرصاد الجوية الذي درس عقودًا من العواصف، ويمكنه التنبؤ بمطر الغد في جزء من الثانية. مؤخرًا، بدأ العلماء يطرحون سؤالًا جامحًا: ماذا لو منحنا هؤلاء المساعدين "دماغًا كموميًا" تجريبيًا صغيرًا لمساعدتهم على التفكير؟ تستخدم الحواسيب الكمومية القواعد الغريبة لعالم الجسيمات دون الذرية، حيث يمكن للجسيمات أن تكون في مكانين في آن واحد، لمعالجة المعلومات بطرق لا تستطيع الحواسيب العادية القيام بها. يستكشف هذا البحث ما إذا كان استبدال جزء صغير من نموذج تنبؤ كيميائي قياسي بدائرة كمومية يمكن أن يجعل عملية التخمين أفضل.
قرر الباحثون وراء هذه الدراسة اختبار هذه الفكرة باستخدام نموذج شهير وعالي الأداء يسمى ANI (شبكة عصبية دقيقة لطاقات الجزيئات). تخيل أن ANI هو "شيف" (طباخ) ماهر للغاية من العالم الكلاسيكي، أمضى سنوات في إتقان وصفة للتنبؤ بالطاقة الجزيئية. كانت استراتيجية الفريق هي أخذ الخطوة الأخيرة لهذا الشيف — لحظة تقديم الطبق — واستبدالها بـ "مساعد شيف كمومي". هذا المساعد الجديد هو خوارزمية كمومية متغيرة، وتحديدًا نموذج تعلم الدوائر الكمومية (QCL). الفكرة هي أن الشيف الكلاسيكي يقوم بكل العمل الشاق لفهم المكونات (الذرات ومواقعها)، ويضغط هذه المعلومات في ملخص، ثم يسلمها إلى المساعد الكمومي للقيام بحساب الطاقة النهائي.
أجرى الفريق سلسلة من عمليات المحاكاة لمعرفة ما إذا كان هذا "المطبخ الهجين" سيعمل بشكل أفضل من المطبخ الكلاسيكي وحده. اختبروا إعدادهم على مجموعات بيانات جزيئية متنوعة، تتراوح من الجزيئات البسيطة مثل الماء والميثان إلى جزيئات أكثر تعقيدًا مثل الكوليسترول ومتشكلاته. قاموا بتعديل "عمق" الدائرة الكمومية (عدد طبقات المنطق الكمومي التي تمتلكها) وعدد "الكيوبتات" (بتات المعلومات الكمومية التي تستخدمها) لمعرفة ما الذي يعمل بشكل أفضل.
جاءت النتائج مزيجًا من "ليس ثورة كاملة" و"إمكانات واعدة". وجدت الدراسة أن النموذج المعزز كموميًا لم يتفوق تلقائيًا على النموذج الكلاسيكي في كل المواقف. في الواقع، عندما كان الشيف الكلاسيكي يقوم بعمل رائع بالفعل (بعد تدريبه على كميات هائلة من البيانات)، لم يضف المساعد الكمومي الكثير من القيمة. ومع ذلك، تشير الورقة البحثية إلى أن النهج الكمومي يتألق عندما يكون النموذج الكلاسيكي "جائعًا" لمزيد من الدقة — وتحديدًا عندما لا يكون التدريب الأولي مثاليًا أو عندما تكون مجموعة البيانات أصغر. في هذه الظروف المحددة، حقق النموذج المزود بدائرة كمومية خطأً أقل قليلاً، حيث انخفض متوسط جذر مربع الخطأ (RMSE) إلى 1.48 كيلو كالوري/مول مقارنة بـ 1.80 كيلو كالوري/مول للنسخة الكلاسيكية فقط في بعض الاختبارات.
وعندما اختبروا ذلك على جزيء معقد وحقيقي مثل الكوليسترول، استمر النموذج الكمومي في إظهار قيمته. فقد نجح في التنبؤ بطاقة الكوليسترول ومتشكلاته بأخطاء أقل من 10 كيلو كالوري/مول مقارنة بالحسابات عالية المستوى، وتنبأ بشكل صحيح بترتيب الطاقة للأشكال المختلفة من الجزيء. ومع ذلك، لاحظ المؤلفون أنه بالنسبة لمتشكل واحد ذي سلسلة طويلة من الروابط المزدوجة، لم تتحسن الدقة، ويرجع ذلك على الأرجح إلى عدم وجود أمثلة كافية لهذا النمط المحدد في بيانات التدريب.
في النهاية، تشير هذه الورقة إلى أنه على الرغم من أن الحواسيب الكمومية ليست عصا سحرية تحل جميع المشكلات الكيميائية فورًا، إلا أنها قد تكون أداة قوية لضبط نماذجنا عندما نصل إلى طريق مسدود. وتخلص الدراسة إلى أن الميزة الكمومية تظهر بوضوح عندما يكون لدى النموذج الكلاسيكي "مساحة للتحسين". فإذا كان النموذج الكلاسيكي قريبًا من المثالية، فإن الجزء الكمومي لا يساعد كثيرًا. ولكن في الحالات التي نحتاج فيها إلى استخراج دقة إضافية من بيانات محدودة أو شبكات أبسط، فإن إدخال دائرة كمومية قد يكون هو المفتاح. ويؤكد الباحثون أن هذه النتائج تأتي من عمليات محاكاة على حواسيب كلاسيكية، وليس على أجهزة كمومية حقيقية، لذا ستكون الخطوة التالية هي معرفة ما إذا كانت هذه النتائج ستصمد عند تشغيل الدوائر الكمومية على آلات كمومية حقيقية مليئة بالضجيج. في الوقت الحالي، هي علامة مبهجة على أن مزج القديم بالجديد قد يكون هو الوصفة للجيل القادم من الاكتشافات الجزيئية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.