Transformer refined quantum sampling for strongly correlated electronic structure

Das Papier stellt QiankunNet-QSCI vor, ein hybrides Quanten-Klassik-Framework, das einen effizienten unitären ausgewählten Konfigurationswechselwirkungs-Ansatz, der auf dem Zuchongzhi-3.1-Prozessor ausgeführt wird, mit einem Transformer-Neuralnetzwerk kombiniert, um elektronische Wellenfunktionen präzise zu rekonstruieren und chemische Genauigkeit für stark korrelierte Systeme wie das [2Fe-2S]-Ferredoxin und den P-Cluster der Nitrogenase auf aktuellen noisy intermediate-scale quantum devices zu erreichen.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, eine einzelne, perfekte Nadel in einem Heuhaufen zu finden, der so groß ist wie das gesamte Universum. Das ist im Wesentlichen das Problem, mit dem Wissenschaftler konfrontiert sind, wenn sie das Verhalten von Elektronen in komplexen Molekülen berechnen wollen, wie sie etwa in Eisen-Schwefel-Clustern oder in den Enzymen vorkommen, die Pflanzen bei der Herstellung von Dünger helfen. Der „Heuhaufen" ist die riesige Anzahl möglicher Anordnungen, in denen sich Elektronen befinden können, und die „Nadel" ist die eine spezifische Anordnung, die den wahren, stabilen Zustand des Moleküls darstellt.

Diese Arbeit stellt eine neue Methode namens QiankunNet-QSCI vor, die wie ein superintelligentes, hybrides Team funktioniert, um diese Nadel viel schneller und genauer zu finden als zuvor. So funktioniert es, aufgeteilt in einfache Schritte:

1. Das Problem: Zu viel Rauschen, zu wenig Klarheit

In der Vergangenheit versuchten Wissenschaftler, dies mit Quantencomputern zu lösen. Doch aktuelle Quantencomputer sind wie „rauschende" Radios; sie nehmen viel statisches Rauschen (Fehler) auf, das das Signal übertönt. Wenn Sie einen rauschbehafteten Quantencomputer bitten, den gesamten Heuhaufen zu durchsuchen, liefert er oft nur ein zufälliges Durcheinander von Heu zurück und verschwendet dabei Zeit und Energie.

2. Die Lösung: Ein zweistufiges Team aus „Suche und Verfeinerung"

Die Autoren schufen eine Partnerschaft zwischen einem Quantencomputer und einer leistungsstarken Künstlichen Intelligenz (KI), um dieses Problem zu lösen. Stellen Sie sich dies als ein Späher und einen Kartografen vor.

Schritt 1: Der Späher (Der Quantencomputer)

Anstatt den Quantencomputer zu bitten, das gesamte Problem auf einmal zu lösen (was er noch nicht fehlerfrei kann), nutzen sie ihn als fokussierten Späher.

• Der Trick: Sie entwarfen eine spezielle, sehr kurze „Karte" (ein sogenanntes USCI-Ansatz) für den Quantencomputer. Diese Karte weist den Computer an, die riesigen, leeren Bereiche des Heuhaufens zu ignorieren und nur die kleinen, wahrscheinlichsten Bereiche zu betrachten, in denen sich die Nadel möglicherweise versteckt.
• Das Ergebnis: Auf einem echten Quantencomputer (dem Zuchongzhi 3.1) ignorierte dieser Späher erfolgreich das Rauschen und fand eine kleine, hochwertige Liste von „Kandidaten-Nadeln" (spezifische Elektronenanordnungen). Er fand nicht die perfekte Antwort, aber er fand das richtige Viertel, in dem die Antwort zu finden ist.

Schritt 2: Der Kartograf (Der KI-Transformer)

Sobald der Quantencomputer diese kleine, hochwertige Liste von Kandidaten übergeben hat, übernimmt die KI (QiankunNet).

• Die Aufgabe: Die KI ist wie ein Meisterkartograf, der die grobe Skizze des Spähers betrachtet und alle fehlenden Details ergänzt. Sie nutzt eine fortschrittliche Art von KI, einen Transformer (dieselbe Technologie, die modernen Chatbots zugrunde liegt), um die komplexen Beziehungen zwischen den Elektronen zu verstehen.
• Die Magie: Die KI „entrauscht" die Daten (korrigiert die Fehler, die der Quantencomputer gemacht hat) und „rekonstruiert" das vollständige Bild. Sie nimmt die kleine Liste von Kandidaten und erweitert sie mathematisch, um die vollständige, perfekte Anordnung der Elektronen mit unglaublicher Genauigkeit vorherzusagen.

3. Die Ergebnisse: Das „Unmögliche" lösen

Das Team testete diese Methode an zwei sehr schwierigen chemischen Rätseln:

1. Der Eisen-Schwefel-Cluster ([2Fe-2S]): Dies ist eine winzige biologische Maschine, die in lebenden Organismen vorkommt. Das Team löste seine elektronische Struktur mit „chemischer Genauigkeit" (was bedeutet, dass die Antwort präzise genug ist, um für echte Chemie nutzbar zu sein) unter Verwendung eines 40-Qubit-Quantencomputers. Dies ist ein wichtiger Meilenstein, da frühere Methoden Schwierigkeiten hatten, dies auf solchen Geräten korrekt zu lösen.
2. Der P-Cluster der Nitrogenase: Dies ist ein noch größeres, komplexeres Molekül, das an der Herstellung von Dünger beteiligt ist. Sie wandten die Methode auf ein massives System mit 114 Elektronen an. Obwohl der Quantencomputer das Ganze allein nicht lösen konnte, erhielt das hybride Team eine Antwort, die extrem nahe am besten möglichen theoretischen Ergebnis lag.

Das große Ganze

Die Arbeit behauptet, dass diese Methode beweist, dass wir nicht auf „perfekte" Quantencomputer warten müssen, um nützliche chemische Arbeiten zu verrichten. Indem wir einen Quantencomputer nur verwenden, um den richtigen Ausgangspunkt zu finden, und eine KI, um die schwere Arbeit der Verfeinerung zu übernehmen, können wir heute komplexe molekulare Probleme lösen.

Kurz gesagt: Der Quantencomputer fungiert als eine intelligente Taschenlampe, die durch das Rauschen schneidet, um den richtigen Ort zu finden, und die KI fungiert als brillanter Künstler, der diesen Ort nutzt, um das vollständige, genaue Bild des Moleküls zu malen.

Technische Zusammenfassung

Technische Zusammenfassung: Transformer-Verfeinertes Quanten-Sampling für stark korrelierte Elektronenstrukturen

Problemstellung
Die präzise Simulation stark korrelierter Elektronensysteme, wie etwa Übergangsmetall-Cluster, bleibt eine zentrale Herausforderung in der computergestützten Chemie. Klassische Methoden stoßen auf erhebliche Grenzen: Die Dichtefunktionaltheorie (DFT) versagt häufig aufgrund von Delokalisierungs- und statischen Korrelationsfehlern bei Mehrfachreferenz-Problemen, während fortgeschrittene Wellenfunktionsmethoden wie die Dichtematrix-Renormierungsgruppe (DMRG) in hochdimensionalen aktiven Räumen an Skalierbarkeitsgrenzen stoßen, wo die Bindungsdimensionen exponentiell wachsen müssen. Im Gegensatz dazu bietet das Quantencomputing zwar einen theoretischen Pfad zu exakten Lösungen durch Quantenüberlagerung und Verschränkung, doch aktuelle Noisy Intermediate-Scale Quantum (NISQ)-Geräte werden durch kurze Kohärenzzeiten, hohe Fehlerraten und die Schwierigkeit, ausdrucksstarke dennoch hardware-effiziente Ansätze zu entwerfen, behindert. Bestehende hybride Ansätze, wie der Variational Quantum Eigensolver (VQE) und die Quantum Selected Configuration Interaction (QSCI), leiden unter spezifischen Engpässen: VQE steht vor barren plateaus und Optimierungsproblemen, während die Standard-QSCI oft Quantenressourcen durch das Sampling redundanter oder gewichtsschwacher Konfigurationen verschwendet, was zu langsamer Konvergenz und von Rauschen dominierten Ausläufern führt.

Methodik: QiankunNet-QSCI
Die Autoren schlagen QiankunNet-QSCI vor, ein hybrides Quanten-Klassisches Framework, das entwickelt wurde, um diese Engpässe zu überwinden, indem es die Rollen von Quantenhardware und klassischem maschinellen Lernen entkoppelt. Der Arbeitsablauf läuft in zwei distincten Stufen ab:

1. Fokussiertes Quanten-Sampling (USCI-Ansatz):
   Anstatt den Quantenprozessor als vollständigen variationalen Eigenwertlöser zu verwenden, wird er als „fokussierter Determinantensampler" eingesetzt. Die Autoren führen einen Unitary Selected Configuration Interaction (USCI)-Ansatz ein, der speziell für das Quanten-Sampling konzipiert ist.

   • Designprinzip: Der USCI-Ansatz priorisiert Kompaktheit und chemische Relevanz gegenüber einer vollständigen Abdeckung des Hilbertraums. Er wird konstruiert, indem zunächst eine kostengünstige klassische Vorselektion (z. B. via CISD oder semi-stochastisches HCI) durchgeführt wird, um eine kompakte Menge chemisch signifikanter Determinanten zu identifizieren.
   • Schaltungskonstruktion: Der Ansatz nutzt einen unitären Operator, der aus Orbitalrotationen und ausgewählten Anregungsoperatoren (abgeleitet aus der vorselektierten Menge) besteht, die via Jordan-Wigner-Transformation auf Qubits abgebildet werden. Entscheidend ist, dass die Schaltung so konstruiert ist, dass sie flach und hardware-effizient ist und oft nur auf eine Teilmenge von Qubits wirkt, die für die dominanten Anregungen relevant sind.
   • Ausführung: Der Quantenprozessor (Zuchongzhi 3.1) führt die USCI-Schaltung aus, um eine Verteilung von Bitstrings zu generieren. Diese werden symmetriegefiltert, um nur physikalisch gültige Konfigurationen (korrekte Teilchenzahl und Spin) zu behalten, wodurch ein konzentrierter, chemisch relevanter Unterraum definiert wird.

2. Klassische Verfeinerung (QiankunNet):
   Die spärlichen, aber kritischen Quanten-Stichproben werden in QiankunNet, ein auf Transformer basierendes neuronales Netzwerk, eingespeist.

   • Architektur: QiankunNet nutzt eine Decoder-only-Transformer-Architektur mit entkoppelten Amplituden-/Phasen-Köpfen. Es verarbeitet Slater-Determinanten-Besetzungsstrings als Eingabesequenzen und nutzt Multi-Head-Selbstaufmerksamkeit, um langreichweitige Orbitalkorrelationen zu erfassen.
   • Funktion: Das Netzwerk lernt aus den quanten-gesampelten Daten, um die Verteilung zu entrauschen, die vollständige elektronische Wellenfunktion zu rekonstruieren und die Koeffizienten variationell zu verfeinern. Es füllt effektiv die Lücken im gesampelten Unterraum aus und korrigiert hardwarebedingte Verzerrungen, wodurch eine unverzerrte Näherung des Grundzustands erzielt wird.

Hauptbeiträge

• USCI-Ansatz: Ein neuartiger, kompakter Ansatz, der speziell für das Quanten-Sampling und nicht für die variationelle Optimierung entwickelt wurde. Er tauscht Vollständigkeit gegen Kompaktheit ein, reduziert die Schaltungstiefe und die Gatteranzahl und stellt sicher, dass die Quantenhardware den chemisch dominantesten Sektor des Hilbertraums sampelt.
• Hybrider Arbeitsablauf: Eine Zwei-Stufen-Architektur, die Quantenhardware für das „Importance Sampling" des Determinantenraums und künstliche Intelligenz für die „Wellenfunktionsvollendung" und Verfeinerung nutzt. Dies vermeidet die Probleme der Rauschakkumulation tiefer variationaler Schaltungen.
• Spin-Faktorisierung für Skalierbarkeit: Für extrem große Systeme wenden die Autoren einen spin-faktorisierenden Ansatz an, bei dem $\alpha$- und $\beta$-Spin-Kanäle in separate Quantenschaltungen partitioniert werden. Dies ermöglicht die Behandlung aktiver Räume, die andernfalls die Qubit-Kapazität oder Konnektivität aktueller Hardware überschreiten würden.

Ergebnisse
Das Framework wurde auf dem supraleitenden Quantenprozessor Zuchongzhi 3.1 (105 Qubits) über drei Benchmarks validiert:

1. H₁₀-Ring (20 Qubits):

   • Im Vergleich zum Local Unitary Coupled Cluster mit Jastrow (LUCJ)-Ansatz erzeugte der USCI-Ansatz eine signifikant konzentriertere Verteilung gültiger Bitstrings (256 eindeutige vs. ~635.000 für LUCJ) und identifizierte erfolgreich die dominanten physikalischen Konfigurationen.
   • QiankunNet, initialisiert mit USCI-Stichproben, erreichte chemische Genauigkeit ($1,6 \times 10^{-3}$ Ha) um Größenordnungen schneller als eine zufällige Initialisierung oder eine LUCJ-Initialisierung.

2. [Fe₂S₂(SCH₃)₄]²⁻ Ferredoxin-Cluster (40 Qubits):

   • Simulation eines 30-Elektronen-, 20-Orbital-Aktiven Raums (40 Spin-Orbitale).
   • Die USCI-Schaltung (Tiefe 41 logisch, 137 kompiliert) generierte ~10⁸ Schüsse und lieferte ~34.500 eindeutige, symmetriekonsistente Determinanten.
   • Die finale Energie erreichte chemische Genauigkeit ($1,12 \pm 0,30 \times 10^{-3}$ Ha) relativ zu extrapolierten DMRG-Ergebnissen und übertraf klassische CCSD- und CISD-Methoden signifikant.

3. Nitrogenase P-Cluster (146 Qubits äquivalent):

   • Bearbeitung eines massiven CAS(114e, 73o) aktiven Raums (146 Spin-Orbitale) unter Verwendung von spin-faktorisierter USCI-Schaltungen auf zwei 73-Qubit-Registern.
   • Das Quanten-Sampling lieferte einen signifikanten Anreicherungsfaktor (24×–60×) gegenüber uniformem zufälligem Sampling für gültige teilchenzahl-erhaltende Strings.
   • Nach der QiankunNet-Verfeinerung wurde der Energiefehler auf ~12–18 milli-Hartree des besten verfügbaren DMRG-Extrapolationswertes reduziert, was eine der größten auf supraleitender Hardware demonstrierten quantenchemischen Aktivraum-Berechnungen darstellt.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass QiankunNet-QSCI einen praktischen Weg zu genauen, quantenunterstützten Elektronenstruktur-Berechnungen auf aktuellen NISQ-Geräten bietet. Indem die Rolle des Quantenprozessors von einem variationalen Optimierer zu einem fokussierten Sampler verschoben wird und KI genutzt wird, um die resultierenden Daten zu verfeinern, umgeht das Framework die Rausch- und Skalierbarkeitsgrenzen, die quantenchemische Anwendungen bisher behindert haben.

Die Autoren behaupten, dass diese Arbeit demonstriert, dass aktuelle Hardware, gepaart mit intelligenter klassischer Verarbeitung, chemisch relevante stark korrelierte Probleme bewältigen kann, die andernfalls unlösbar wären. Sie positionieren dies nicht als eine Fähigkeit der fernen Zukunft, sondern als eine gegenwärtige Lösung, die architektonische Muster für die zukünftige, quantenbeschleunigte Entdeckung in der Katalyse, der Wirkstoffentwicklung und dem Materialdesign etabliert. Die Arbeit schließt, dass die Skalierbarkeit dieses Ansatzes vielversprechend ist, da die erforderliche Qubit-Anzahl linear mit der Anzahl der aktiven Orbitale skaliert, im Gegensatz zu einigen klassischen Tensor-Netzwerk-Methoden, bei denen die Kosten exponentiell mit der Verschränkung wachsen.