Machine-learned active spaces enable quantum calculations of spin-state energetics of transition-metal complexes on quantum hardware
تقدم هذه الورقة SpinAware، وهو نموذج تعلم آلي يتنبأ بمقاييس التشابك المداري من حلول هارتري-فوك غير المقيدة لتحديد الفضاءات النشطة المدمجة تلقائياً، مما يتيح حسابات دقيقة لطاقة حالات الغزل لمعقدات المعادن الانتقالية باستخدام الأجهزة الكمومية دون عمليات حسابية ارتباطية مسبقة.
المؤلف الأصلي:Muhammad Arsalan Ali Akbar, Thomas D. Kühne, Sabre Kais, Werner Dobrautz
تُعد العناصر الانتقالية هي المحركات الأساسية للكيمياء الحديثة، فهي تقود كل شيء بدءاً من الإنزيمات التي تحافظ على حيوية خلايانا وصولاً إلى الحوافز الصناعية التي تحول النفط إلى بلاستيك. ويحكم سلوكها الكيميائي ظاهرة كمومية دقيقة: وهي الطريقة التي تترتب بها إلكتروناتها في الفضاء. وخلافاً للذرات البسيطة حيث تستقر الإلكترونات في طبقات مرتبة ومتوقعة، غالباً ما تتشارك الإلكترونات في العناصر الانتقالية مستويات الطاقة نفسها، مما يخلق شبكة متشابكة من الاحتمالات. هذا "الارتباط الساكن" يعني أنه لفهم كيفية تفاعل هذه الجزيئات، لا يمكن للعلماء النظر في ترتيب واحد فقط للإلكترونات؛ بل يجب عليهم مراعاة عدد هائل منها في وقت واحد. وتكمن المشكلة في أن حساب كل هذه الاحتمالات مكلف للغاية؛ إذ يتطلب الأمر اختيار مجموعة محددة من مسارات الإلكترونات، تُسمى "الفضاء النشط"، للتركيز عليها. وإذا كان الاختيار خاطئاً، تفشل العملية الحسابية؛ وإذا كان كبيراً جداً، فلن تتمكن حتى أقوى الحواسيب الفائقة في العالم من حله. وقد حال هذا الاختناق طويلاً دون قدرة الباحثين على التنبؤ بدقة بفروق الطاقة بين حالات الغزل المختلفة — وهي التوجهات المغناطيسية للجزيء — والتي تُعد بالغة الأهمية لفهم كيفية عمل هذه الحوافز.
لقد طور فريق من الباحثين الآن طريقة جديدة لتجاوز هذا الاختناق باستخدام الذكاء الاصطناعي. فقد أنشأوا نموذجاً للتعلم الآلي أطلقوا عليه اسم "SpinAware"، يمكنه التنبؤ بمسارات الإلكترونات المهمة دون إجراء الحسابات المكلفة التي كانت مطلوبة سابقاً. وبدلاً من الحاجة إلى حاسوب فائق لمعرفة شبكة الإلكترونات المتشابكة، ينظر النموذج إلى عملية حسابية معيارية أبسط لإلكترونات الجزيء، وبناءً على الأنماط التي تعلمها من آلاف الأمثلة، يتنبأ بالضبط بالمسارات التي يجب تضمينها في الحساب المعقد. وقد تم تدريب النموذج على مجموعة بيانات ضخمة من معقدات العناصر الانتقالية، حيث تعلم التعرف على التواقيع الدقيقة للاشتباك الإلكتروني من بيانات أساسية مثل طاقة الإلكترونات وكيفية تشاركها بين المعدن والذرات المحيطة به.
اختبر الباحثون هذه الأداة الجديدة على مجموعة صعبة من الجزيئات التي تختلف تماماً عن تلك التي استُخدمت لتدريب النموذج. وشملت هذه المجموعة معقدات تحتوي على معادن وليجاندات (ربيطات) لم يسبق للنموذج رؤيتها من قبل، مثل التيتانيوم والفاناديوم، وروابط كيميائية غير معتادة. ورغم عدم وجود خبرة سابقة، نجح النموذج في تحديد مسارات الإلكترونات الصحيحة في كل حالة تقريباً. واستطاع تضييق نطاق مجموعة مكونة من أربعين مساراً إلكترونياً محتملاً إلى مجموعة أصغر وأكثر قابلية للإدارة تبلغ حوالي خمسة عشر مساراً، مع ضمان عدم استبعاده لأي من المسارات الحرجة اللازمة للحصول على إجابة دقيقة. وفي الواقع، احتوت عملية الاختيار التي قام بها النموذج على 99% من المسارات الصحيحة التي تجدها أكثر الطرق دقة واستغراقاً للوقت المتاحة.
ولإثبات أن هذا النهج يعمل في العالم الحقيقي، أخذ الفريق مسارات الإلكترونات المتوقعة منهم وقاموا بتشغيلها على حواسيب كمومية فعلية. وقد استخدموا طريقة تسمى "القطرية الكمومية القائمة على العينات"، وهي مصممة للتعامل مع الضجيج والأخطاء المتأصلة في الأجهزة الكمومية الحالية. ومن خلال تغذية عينات من معالج كمومي من شركة IBM في حساباتهم، تمكنوا من إعادة إنتاج فروق الطاقة الدقيقة بين حالات الغزل بهامش خطأ يقل عن عُشر كيلو كالوري لكل مول. وهذا المستوى من الدقة ذو أهمية كيميائية، ويثبت أن نموذج التعلم الآلي يمكنه بنجاح إعداد المشكلة للحاسوب الكمومي. وتعمل هذه العملية فعلياً على جسر الفجوة بين الحوسبة الكلاسيكية، الجيدة في المهام البسيطة، والحوسبة الكمومية، المطلوبة للمشكلات الأكثر صعوبة، وذلك عبر استخدام الذكاء الاصطناعي لتحديد ما يجب أن يُسأل به الجهاز الكمومي بدقة.
يشير نجاح "SpinAware" إلى أن صعوبة هذه الحسابات ليست مجرد مسألة قوة حوسبة خام، بل هي مسألة معرفة أين تبحث. لقد تعلم النموذج أن أهمية مسار إلكتروني تعتمد على علاقته بالمسارات الأخرى، تماماً كما أن النوتة الواحدة في الوتر لا تكتمل إلا في سياق النوتات الأخرى. ومن خلال التقاط هذه العلاقات من بيانات بسيطة، يتجنب النموذج الحاجة إلى الحسابات التمهيدية المكلفة التي كانت تعيق البحث تقليدياً. وبينما تظل للنموذج بعض القيود — فهو يواجه صعوبة أحياناً مع التفاعلات المغناطيسية القوية جداً أو الضعيفة جداً حيث تكون الإشارة باهتة — إلا أنه يمثل خطوة كبيرة للأمام. فهو يسمح للعلماء بمعالجة كيمياء العناصر الانتقالية المعقدة بمستوى من الدقة كان بعيد المنال سابقاً، مما يفتح الباب لتصميم حوافز أفضل وفهم العمليات البيولوجية التي تعتمد على هذه المراكز المعدنية المعقدة. ويظهر هذا العمل أنه من خلال الجمع بين التعلم الآلي والأجهزة الكمومية، يمكن للباحثين الآن حل مشكلات كانت تُعتبر في السابق صعبة للغاية بحيث لا يمكن لأي من التقنيتين التعامل معها بمفردها.
ملخص تقني: SpinAware للفضاءات النشطة المتعلمة آلياً في معقدات العناصر الانتقالية
بيان المشكلة تتعرقل الحسابات الكيميائية الكمومية الدقيقة لمعقدات العناصر الانتقالية، لا سيما فيما يتعلق بطاقات حالات الغزل (spin-state energetics)، بسبب الارتباط الساكن القوي الناتج عن مدارات d شبه المتنكرة. تتطلب الطرق متعددة المراجع مثل تفاعل التكوين للمدارات النشطة الكاملة (CASCI) ومجموعة تحليل المصفوفة لترتيب كثافة دنر (DMRG) وجوداً دقيقاً، لكنها تعتمد بشكل حاسم على اختيار "الفضاء النشط" (active space)—وهو مجموعة فرعية من المدارات التي تُعالج بالارتباط عالي المستوى. يتطلب اختيار هذا الفضاء عادةً حساباً ارتباطياً تمهيدياً (مثل DMRG) عبر فضاء مداري كبير لقياس تشابك المدارات (الإنتروبيا للمدار المنفرد والمعلومات المتبادلة)، مما يخلق تبعية دائرية تجعل الاختيار الآلي مكلفاً. وغالباً ما تعتمد مخططات الاختيار الآلي الحالية على الحدس الكيميائي، أو إسقاطات المدارات الذرية المحددة مسبقاً، أو حسابات ارتباطية تقريبية تفشل في التمييز بين حالات الغزل المختلفة لنفس المعقد أو التعميم على الأنماط الكيميائية غير المرئية. علاوة على ذلك، فإن اختيار الفضاء النشط يحدد متطلبات الموارد للحوسبة الكمومية، حيث يتطلب كل مدار مكاني في رسم "جوردان-ويغنر" (Jordan–Wigner) عددين من الكيوبتات.
المنهجية: نموذج SpinAware يقدم المؤلفون SpinAware، وهو إطار عمل للتعلم الآلي يتنبأ بإنتروبيا المدار المنفرد والمعلومات المتبادلة لزوج المدارات من حساب Unrestricted Hartree–Fock (UHF) واحد، متجاوزاً بذلك الحاجة إلى حسابات ارتباطية تمهيدية.
الموصِفات المستندة إلى الفيزياء: يتم تمثيل كل مدار في نافذة مكونة من 40 مداراً (20 أعلى مدار مشغول و20 أقل مدار غير مشغول) بواسطة 60 موصِفاً يتم حسابها من حل UHF. وتشمل هذه الموصِفات:
الخصائص أحادية الإلكترون والموضعية: طاقة الحركة/الجذب النووي، التنافر الكولومي الذاتي، طاقة المدار، والامتداد المكاني.
استقطاب الغزل: الفرق في إشغال α و β (Δnαβ) وانقسام الطاقة (Δεαβ)، مما يسمح للنموذج بالتمييز بين حالات الغزل العالي والمنخفض لنفس الهيكل النووي.
تركيب المعدن-الرابط (Metal–ligand): أوزان القشرة المستمرة المشتقة من معاملات المدارات الذرية المربعة الموحدة، مما يوفر مقياساً للتساهمية والطابع المعدني.
الاتصال التبادلي (Exchange connectivity): إحصائيات صفوف مصفوفة التبادل (Kij)، بما في ذلك المتوسط، والانحراف المعياري، والمجموع، وعدد الشركاء الأقوياء، مما يلتقط الطبيعة الجماعية للارتباط الساكن.
النموذج 1 (التنبؤ بالإنتروبيا): تعالج شبكة قائمة على الـ Transformer الـ 40 مداراً بشكل مشترك. تستخدم الشبكة آلية الانتباه الذاتي متعدد الرؤوس مع انحياز قابل للتعلم مستمد من تكاملات التبادل (Kij) للسماح للمدارات بتبادل المعلومات حول سياقها. تتنبأ هذه البنية بإنتروبيا المدار المنفرد لكل مدار في النافذة.
النموذج 2 (التنبؤ بالمعلومات المتبادلة): تتنبأ شبكة زوجية منفصلة بالمعلومات المتبادلة (Iij) لجميع أزواج المدارات، مما يحدد المدارات المرتبطة بقوة ببعضها البعض حتى لو كانت إنتروبيا المدارات الفردية منخفضة.
التدريب والاختبار المرجعي: تم تدريب النماذج على 3,454 حساب DMRG نقية الغزل لمعقدات أحادية النواة من الكروم إلى النيكل. ولاختبار القدرة على التعميم، أنشأ المؤلفون اختباراً مرجعياً خارج نطاق التوزيع (out-of-distribution) يتضمن معقدات تتميز بمعادن (Ti, V)، وروابط، وتوبولوجيا ربط، وحالات أكسدة غائبة عن مجموعة التدريب.
سير عمل اختيار الفضاء النشط:
مجمع المرشحين: يتم دمج الإنتروبيا المتوقعة والمعلومات المتبادلة لتشكيل مجمع مرشحين. يتم تضمين المدارات ذات الإنتروبيا المتوقعة ≥0.07، بالإضافة إلى مدارات "الإنقاذ" التي تمتلك إنتروبيا منخفضة ولكن معلومات متبادلة عالية مع مدار ذي إنتروبيا عالية.
مسح NOON: يتم إجراء مسح لأعداد إشغال المدارات الطبيعية (NOON) على مجمع المرشحين. تُضاف المدارات بالتتابع، ويتوقف المسح عندما تستقر أعداد الإشغال (بانحراف أقل من حد معين عن 0 أو 2)، مما يحدد الفضاء النشط النهائي المدمج.
النتائج الرئيسية
دقة التنبؤ: في الاختبار المرجعي خارج نطاق التوزيع (11 حالة غزل عبر 7 معقدات)، يعيد SpinAware إنتاج ملفات تعريف إنتروبيا DMRG بمتوسط خطأ مطلق (MAE) قدره 0.027. يحتوي مجمع المرشحين على 99% من المدارات النشطة في DMRG (82 من أصل 83) مع الاحتفاظ بمتوسط 15 مداراً فقط من أصل 40 مرشحاً في النافذة.
القدرة على التعميم: نجح النموذج في التعميم على معقدات ذات معادن جديدة (Ti, V)، وروابط (مثل η6-arene، والكربونيل)، وحالات أكسدة (0، +3). كانت الأخطاء ذات طبيعة إلكترونية (مثل ضغط قيم الإنتروبيا العالية في حالات السينجلت شديدة الارتباط) بدلاً من كونها كيميائية، مما يشير إلى أن الموصِفات تلتقط الفيزياء ذات الصلة.
تطبيق الأجهزة الكمومية: تم تطبيق سير العمل على معقد نيكل أليل ومعقد كوبالت-CO2. تم حل الفضاءات النشطة المختارة (حتى 16 مداراً، ما يعادل 32 كيوبت) على معالجات كمومية من IBM (ibm phoenix, ibm fez) باستخدام التقطيع المعتمد على العينات (SQD) مع أخذ عينات SqDRIFT.
أعادت نتائج الأجهزة الكمومية إنتاج طاقات CASCI الدقيقة للفضاءات النشطة المختارة بدقة تصل إلى 0.3 كيلو كالوري/مول.
تم إنتاج فجوات حالات الغزل بدقة تصل إلى 0.10 كيلو كالوري/مول مقارنة بنتائج CASCI الدقيقة لنفس الهاملتونيان.
أظهرت الدراسة أن عينات الأجهزة الكمومية الصاخبة (SqDRIFT) يمكن أن تتقارب بشكل أسرع وتوفر تنوعاً أفضل من المحاكاة الخالية من الضجيج أو أخذ العينات العشوائية الموحدة لهذه الأنظمة المحددة.
الأهمية والادعاءات يزعم البحث أن SpinAware يوفر طريقة منخفضة التكلفة حسابياً (تكلفة متوسط المجال) لتوليد فضاءات نشطة عالية الجودة لمعقدات العناصر الانتقالية، مما يتيح دراستها على الأجهزة الكمومية الحالية دون الحاجة إلى حسابات ارتباطية تمهيدية.
الكفاءة: من خلال تقليص الفضاء النشط إلى مجموعة مدمجة (على سبيل المثال، 15 مداراً من نافذة 40 مداراً) مع الاحتفاظ بـ 99% من المدارات الضرورية للارتباط، يجعل هذا الأسلوب الحسابات الكمومية ممكناً على الأجهزة الحالية ذات أعداد الكيوبتات المحدودة.
المتانة: يظهر النموذج قدرة على التعميم على أنظمة متميزة كيميائياً، مما يشير إلى أن تعلم تشابك المدارات من موصِفات UHF هو استراتيجية قابلة للتطبيق لكيمياء العناصر الانتقالية مفتوحة الغزل.
التحقق: يتحقق العمل من سير عمل كامل ومتكامل: من حساب UHF واحد، إلى فضاء نشط متعلم آلياً، ثم إلى تحسين NOON كلاسيكي، وأخيراً إلى معالج كمومي. تعيد النتائج إنتاج النتائج الكلاسيكية الدقيقة لنفس هاملتونيان الفضاء النشط، مما يعزل الخطأ في الحل الكمومي بدلاً من اختيار الفضاء النشط.
يشير المؤلفون إلى وجود قيود، بما في ذلك ضغط قيم الإنتروبيا العالية جداً في حالات السينجلت (singlet) النادرة وشديدة الارتباط، وضرورة وجود مرجع UHF نقي الغزل. ويخلصون إلى أنه بينما لا يثبت العمل الحالي تفوقاً كمومياً (بما أن الفضاءات قابلة للحل كلاسيكياً)، فإنه يؤسس لمسار قوي لإعداد المسائل الكمومية لتطبيقات مستقبلية واسعة النطاق.