QBM: A Quantum Bayesian Machine for Relaxed Energy Prediction on Metal-Oxide Catalysts

ملخص تقني: QBM: آلة بايزية كمومية للتنبؤ بالطاقة المسترخية على المحفزات المعدنية-الأكسيدية

بيان المشكلة
يعد التنبؤ بطاقات الجملة الكلية المسترخية للمحفزات الأكسيدية باستخدام نظرية وظيفية الكثافة (DFT) عملية مكلفة حاسوبياً، مما يستلزم استخدام نماذج تفاعل بين الذرات المعتمدة على التعلم الآلي (MLIPs) كبدائل. وبينما أرست الشبكات العصبية الرسومية (GNNs) المتكافئة الكلاسيكية أسساً قوية، لا تزال فائدة الدوائر الكمومية في هذا المجال غير واضئة. وتحديداً، من غير المؤكد ما إذا كانت المكونات المعرفة كمومياً — مثل خرائط الميزات، أو منتقيات المجموعات الفرعية، أو الدوائر التباينية — تقدم تحيزاً استقرائياً حقيقياً أو مزايا في البحث مقارنة بالضوابط الكلاسيكية المطابقة، أم أن الاختلافات الملحوظة تعكس مجرد تقليم المرشحين، أو اللاخطية العامة، أو إعادة استخدام التحقق. تعالج هذه الدراسة هذه الفجوة من خلال تقييم "الآلة البايزية الكمومية" (QBM) على مهمة OC22 IS2RE-Total، عبر عزل المكونات الكمومية ضمن إطار عمل ذي واصفات ثابتة لتحديد ما إذا كانت توفر فوائد تتجاوز المحاكاة الكلاسيكية.

المنهجية
بنية QBM هي بديل متفرق ومعياري يفصل بين الترميز الهيكلي، واختيار المجموعات الفرعية، والانحدار، وتصحيح البواقي. تحافظ الدراسة على واصفات هيكلية ثابتة (توزيعات مركزية ذرية شعاعية وزاوية والتوائية مسقطة عبر كثيرات حدود تشيبيشيف) وتقسيمات بيانات ثابتة، مع تغيير المكونات الحسابية اللاحقة فقط. يمر سير العمل عبر خمس مراحل:

1. بناء الواصفات: يتم تجميع الميزات المركزية للذرات في متجه عالمي ومتجه ممتص مرجح محلياً، ثم تُسقط عبر المربعات الصغرى الجزئية (PLS) إلى بُعد ثابت ($p=16$).
2. نموذج التركيب المرجعي: يقوم نموذج انحدار ريج (Ridge Regression) بإزالة الاعتماد المهيمن على التركيب.
3. انتخاب المجموعات الفرعية: تقارن الدراسة بين منتقيين:
   • الأساس (Baseline): حصر شامل لجميع المجموعات الفرعية غير الفارغة البالغ عددها $2^{16}-1$.
   • الكمومي (QAOA): تقترح خوارزمية التحسين التقريبي الكمومي (QAOA) مجموعات فرعية ثنائية عبر تحسين نموذج QUBO مستمد من ملاءمات المفردات والأزواج.
4. الانحدار: يتم ضبط المجموعات الفرعية المختارة باستخدام:
   • نواة الدالة الشعاعية الأساسية (RBF) الكلاسيكية.
   • أو نوى الوفاء الكمومية (Fidelity Kernels) (خرائط Z و ZZ) المستمدة من تداخلات حالة متجه الحالة الدقيقة.
5. تعلم البواقي: يتم دمج مجموعة من نماذج أفضل-$k$ من المجموعات الفرعية، ويتم تعلم تصحيح نهائي للبواقي. هذا المتعلم يكون إما عملية غاوس خطية (مكافئة لـ ridge) أو دائرة تباينية لإعادة رفع البيانات.

أُجريت جميع التجارب باستخدام محاكاة متجهة الحالة المحلية الدقيقة على وحدات المعالجة المركزية (CPUs). لم تُستخدم أي أجهزة كمومية. تتبع الدراسة انضباط "الضبط المتطابق"، حيث تُقارن المكونات في أزواج (على سبيل المثال، QAOA مقابل الحصر الشامل، ونواة الوفاء مقابل RBF) مع تثبيت المتغيرات الأخرى.

المساهمات الرئيسية

• الإسناد على مستوى المكون: توفر الورقة إطاراً موثقاً لاختبار مكونات كمومية محددة (المنتقيات، النوى، متعلمات البواقي) ضمن خط إنتاج كلاسيكي محكوم، مع الفصل صراحة بين البحث والتمثيل الكمومي وبين التعلم الذري الشامل.
• خوارزمية QAOA كإدراك بحثي: توضح أن QAOA يمكنها تقليل عدد المجموعات الفرعية المرشحة التي يتم ضبطها (من 65,535 إلى 333) ووقت الاختيار (من 323 ثانية إلى 22 ثانية) في سير عمل محاكى على وحدة المعالجة المركزية، رغم أن هذا الاختزال لا يترجم إلى ميزة تنبؤية ثابتة.
• التشخيص الطيفي: تقدم الدراسة تشخيصات تربط الرتبة الفعالة لنواة الوفاء بخطأ التحقق، ملاحظة أن زيادة مقياس النواة تدفع مصفوفة جرام نحو نظام عالي الرتبة حيث يزداد خطأ التحقق، وهو ما يتوافق مع ظواهر التركيز المعروفة في النوى الكمومية.
• حدود القابلية لإعادة الإنتاج: توثق الورقة صراحةً حدود القابلية لإعادة الإنتاج، مشيرة إلى أنه بينما تتوفر المقاييس الإجمالية، فإن تكوينات التشغيل الأصلية، وهويات المرشحين، والسجلات الخام لضبط محددات معينة ليست مؤرشفة بالكامل، مما يمنع إعادة بناء مستقل لجميع النتائج المبلغ عنها.

النتائج

• انتخاب المجموعات الفرعية: قام سير عمل QAOA بضبط عدد أقل بكثير من المرشحين (333 مقابل 65,535) وكان أسرع. ومع ذلك، كانت المجموعة الفرعية المختارة بواسطة QAOA تبعد خطوة هامينج واحدة فقط عن المثلى المحصورة. أظهر متوسط الخطأ المطلق (MAE) تغيرات مختلطة: زيادة طفيفة في خطأ النطاق الداخلي (ID) بمقدار (+0.00172 eV/atom) وانخفاض في خطأ خارج النطاق (OOD) بمقدار (-0.00253 eV/atom). لم يتم إثبات ميزة تنبؤية متسقة.
• نوى الوفاء (Fidelity Kernels): قللت نواة ZZ المختارة من متوسط الخطأ المطلق (MAE) في النطاق الداخلي بمقدار وسيط قدره 0.00433 eV/atom مقارنة بنموذج ريج الخطي المقابل عبر ست عمليات ضبط. ومع ذلك، لم ينتقل هذا التحسن إلى التحقق خارج النطاق (OOD)، حيث كان نموذج ريج أفضل في خمس من أصل ست حالات. تشير النتائج إلى أن التحسن مرتبط بالتحقق (validation-specific) وليس تحيزاً استقرائياً كمومياً عاماً.
• إعادة الرفع التبايني: أظهرت دائرة إعادة الرفع القابلة للتدريب انخفاضاً في وسيط متوسط الخطأ المطلق (MAE) للنطاق الداخلي قدره 0.00128 eV/atom فقط مقارنة بنموذج ريج الخطي عبر خمس بذور، مع تداخل في نطاقات الخطأ. تشير الدراسة إلى أن أهداف البواقي لهذه الاختبارات تم إنشاؤها تحت "ملف مخفض" أغفل التبادل المتقاطع المعياري، مما يمنع الوصول إلى استنتاج نهائي بشأن مزايا تعلم البواقي.
• الأداء العام: لم يتفوق أي من المتغيرات الكمومية باستمرار على الأساس الكلاسيكي عبر تقسيمات النطاق الداخلي (ID) والنطاق الخارجي (OOD). وكانت التباينات الملحوظة غالباً ضمن نطاق ضجيج البذور الحسابية.

الأهمية والادعاءات
تدعي الورقة بتواضع أن QBM يعمل كـ إطار تقييم على مستوى المكونات بدلاً من كونه برهاناً على التفوق الكمومي. تكمن الأهمية الأساسية في:

1. تحديد سلوك المكونات: تؤكد أنها في ظل المحاكاة المحلية المثالية، لا توفر عمليات البحث والتمثيل المحددة بالدوائر حالياً ميزة دقة أو كفاءة حسابية عامة على الضوابط الكلاسيكية المطابقة لهذه المهمة المحددة.
2. تحديد دور الدوائر: تجادل بأن الدوائر الكمومية في هذا السياق يجب أن تُعتبر وسيلة لاختبار اقتراحات مجموعات فرعية وهندسات تشابه بديلة، وليس كبدائل لنماذج GNN المتكافئة أو التعلم الذري الشامل.
3. الصرامة المنهجية: من خلال الفصل الصريح بين المحاكاة والتنفيذ على الأجهزة، وتحديد الحاجة إلى تقسيمات مغلقة، وضوابط متطابقة الميزانية، وأرشفة كاملة للمخرجات، تضع الورقة معياراً للاختبارات المستقبلية للجدوى الكمومية في علوم المواد.

تخلص المؤلفة إلى أن نتائج IS2RE-Total لا تثبت وجود فوائد تنبؤية خاصة بالكم. ويتطلب العمل المستقبلي ضوابط كلاسيكية متطابقة، ودراسات تنفيذ على الأجهزة، والحفاظ على تنبؤات كل بنية وهويات المرشحين لاختبار ما إذا كان التحيز الاستقرائي المحدد بالدوائر يمكنه الصمود أمام تحولات التوزيع والضجيج بشكل صارم.