Quantum machine learning interatomic potential: Application of variational quantum algorithm
Diese Studie zeigt, dass die Integration eines Quantenschaltkreises in ein klassisches neuronales Netz mittels Quanten-Transferlernen die Genauigkeit von maschinellen Lern-Interatomar-Potenzialen für die Vorhersage molekularer Energien leicht verbessern kann, insbesondere wenn das vortrainierte klassische Modell noch Verbesserungspotenzial aufweist.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen vorherzusagen, wie eine komplexe Maschine, wie etwa ein Automotor oder eine lebende Zelle, reagieren wird, indem Sie sich nur die Baupläne ansehen. In der Welt der Chemie stehen Wissenschaftler vor einer ähnlichen Herausforderung: Sie wollen wissen, wie Atome aneinanderhaften und wie viel Energie sie speichern. Um dies perfekt zu tun, müssen sie normalerweise ein massives, extrem kompliziertes mathematisches Problem lösen, die sogenannte Schrödinger-Gleichung. Es ist, als würde man versuchen, den exakten Pfad jedes einzelnen Regentropfens in einem Sturm zu berechnen; es ist unglaublich genau, aber es verbraucht so viel Rechenleistung, dass es für große, unübersichtliche Moleküle oft unmöglich ist.
Hier kommen „Maschinelle Lern-Interatomare Potentiale“ (MLIPs) ins Spiel. Betrachten Sie diese als superintelligente, geschulte Assistenten. Anstatt die schwierige Mathematik jedes Mal von Grund auf neu zu lösen, lernen diese Assistenten aus Beispielen. Sie studieren Tausende bekannter Moleküle, merken sich die Muster, wie sich die Atome anordnen, und erraten dann sofort die Energie neuer Moleküle. Es ist wie ein Wetterfotograf, der Jahrzehnte an Stürmen studiert hat und den Regen von morgen in einem Bruchteil einer Sekunde vorhersagen kann. Kürzlich haben Wissenschaftler eine kühne Frage gestellt: Was wäre, wenn wir diesen Assistenten ein winziges, experimentelles „Quantengehirn“ gaben, um ihnen beim Denken zu helfen? Quantencomputer nutzen die seltsamen Regeln der subatomaren Welt, in der Teilchen an zwei Orten gleichzeitig sein können, um Informationen auf eine Weise zu verarbeiten, die normale Computer nicht leisten können. Diese Arbeit untersucht, ob der Austausch eines kleinen Teils eines Standardmodells zur chemischen Vorhersage durch einen Quantenkreis diesen zu einem besseren Ratgeber machen kann.
Die Forscher hinter dieser Studie entschieden sich, diese Idee mithilfe eines populären, leistungsstarken Modells namens ANI (Accurate NeurAl networK engINe for Molecular Energies) zu testen. Stellen Sie sich ANI als einen sehr geschickten, klassischen Chefkoch vor, der Jahre damit verbracht hat, ein Rezept zur Vorhersage der molekularen Energie zu perfektionieren. Das Team entschied sich für die Strategie, diesen letzten Schritt des Kochs – den Moment, in dem er das Gericht anrichtet – zu nehmen und ihn durch einen „Quanten-Sous-Chef“ zu ersetken. Dieser neue Sous-Chef ist ein variabler Quantenalgorithmus, speziell ein Quantum Circuit Learning (QCL)-Modell. Die Idee ist, dass der klassische Chef die ganze schwere Arbeit erledigt, um die Zutaten (die Atome und ihre Positionen) zu verstehen, die Informationen in einer Zusammenfassung komprimiert und sie dann dem Quanten-Sous-Chef übergibt, damit dieser die endgültige Energieberechnung durchführt.
Das Team führte eine Reihe von Simulationen durch, um zu sehen, ob diese hybride Küche besser funktioniert als die rein klassische Küche. Sie testeten ihr Setup mit verschiedenen molekularen Datensätzen, die von einfachen Molekülen wie Wasser und Methan bis hin zu komplexeren wie Cholesterin und seinen Isomeren reichten. Sie passten die „Tiefe“ des Quantenkreises (wie viele Schichten der Quantenlogik er hatte) und die Anzahl der „Qubits“ (die Quantenbits der Information, die er nutzte) an, um zu sehen, was am besten funktionierte.
Die Ergebnisse waren eine Mischung aus „noch nicht ganz eine Revolution“ und „vielversprechendem Potenzial“. Die Studie ergab, dass das quantenoptimierte Modell nicht automatisch das klassische Modell in jeder Situation schlug. Tatsächlich war der Quanten-Sous-Chef nicht besonders wertvoll, wenn der klassische Chef bereits einen großartigen Job machte (indem er auf riesigen Mengen an Daten trainiert worden war). Die Arbeit legt jedoch nahe, dass der Quantenansatz dann glänzt, wenn das klassische Modell ein wenig „hungrig“ nach mehr Genauigkeit ist – insbesondere, wenn das ursprüngliche Training nicht perfekt war oder der Datensatz kleiner war. Unter diesen spezifischen Bedingungen erreichte das Modell mit dem Quantenkreis etwas geringere Fehler, wobei die Root Mean Squared Errors (RMSE) in bestimmten Tests auf 1,48 kcal/mol gegenüber 1,80 kcal/mol der rein klassischen Version fielen.
Als sie dies an einem realen, komplexen Molekül wie Cholesterin testeten, bewies das Quantenmodell weiterhin seinen Wert. Es sagte die Energie von Cholesterin und seinen Isomeren erfolgreich mit Fehlern von weniger als 10 kcal/mol im Vergleich zu hochgradigen Berechnungen voraus und sagte korrekt die Energie-Reihenfolge der verschiedenen Formen des Moleküls voraus. Die Autoren merken jedoch an, dass bei einem spezifischen Isomer mit einer langen Kette von Doppelbindungen die Genauigkeit sich nicht verbesserte, was wahrscheinlich daran liegt, dass die Trainingsdaten nicht genügend Beispiele für dieses spezifische Muster enthielten.
Letztendlich legt diese Arbeit nahe, dass Quantencomputer zwar kein magischer Zauberstab sind, der alle Chemieprobleme sofort löst, sie aber ein mächtiges Werkzeug sein könnten, um unsere Modelle zu verfeinern, wenn wir an eine Grenze stoßen. Die Studie kommt zu dem Schluss, dass der Quantenvorteil am deutlichsten sichtbar ist, wenn das klassische Modell „Raum für Verbesserungen“ hat. Wenn das klassische Modell bereits nahezu perfekt ist, hilft der Quantenteil nicht viel. Aber für Situationen, in denen wir aus begrenzten Daten oder einfacheren Netzwerken zusätzliche Genauigkeit herausholen müssen, könnte das Einfügen eines Quantenkreises der Schlüssel sein. Die Forscher betonen, dass diese Ergebnisse aus Simulationen auf klassischen Computern stammen, nicht von tatsächlicher Quantenhardware, sodass der nächste Schritt darin bestehen wird, zu sehen, ob diese Ergebnisse Bestand haben, wenn die Quantenkreise auf echten, verrauschten Quantenmaschinen ausgeführt werden. Für den Moment ist es ein hoffnungsvolles Zeichen, dass die Mischung aus Alt und Neu vielleicht genau das Rezept für die nächste Generation der molekularen Entdeckung ist.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.