Band structure of two-dimensional graphene and of one-dimensional nanoribbons via variational quantum algorithms: from energies to wavefunction quality

Die Welt der Materialwissenschaften steht derzeit vor einem tiefgreifenden Rätsel: wie man das Verhalten von Elektronen versteht, wenn sie dicht gedrängt sind und heftig miteinander interagieren. In gewöhnlichen Metallen und Halbleitern bewegen sich Elektronen wie eine ruhige, geordnete Menge, und ihr Verhalten lässt sich mit etablierten Regeln vorhersagen. Aber in bestimmten fortschrittlichen Materialien drücken und ziehen die Elektronen so stark aneinander, dass sie völlig neue Materiezustände erzeugen, wie etwa Supraleiter, die Strom ohne Widerstand leiten, oder Materialien, die von Isolatoren zu Leitern wechseln können. Um diese Phänomene zu verstehen, müssen Wissenschaftler komplexe Gleichungen lösen, die den kollektiven Tanz von Milliarden von Teilchen beschreiben. Dies auf einem Standardcomputer zu tun, ist oft unmöglich, da die Anzahl der Möglichkeiten so schnell wächst, dass selbst die leistungsstärksten Supercomputer an Speicherplatz vorbeistößen. Hier kommen Quantencomputer ins Spiel. Im Gegensatz zu klassischen Maschinen, die Informationen als einfache An-Aus-Schalter verarbeiten, nutzen Quantencomputer die Gesetze der Physik, um Informationen auf eine Weise zu speichern, die das Verhalten von Elektronen auf natürliche Weise nachahmt. Die heute verfügbaren Quantencomputer befinden sich jedoch noch in einem frühen, verrauschten Stadium. Sie sind anfällig für Fehler, die durch Hitze, Vibrationen und Interferenzen verursacht werden, welche die empfindlichen Berechnungen zerstören können, bevor sie abgeschlossen sind.

In diesem Zusammenhang hat ein Team von Forschern von Universitäten aus Spanien einen bedeutenden Schritt unternommen, um diese Maschinen für die reale Materialwissenschaft nützlich zu machen. Sie konzentrierten ihre Bemühungen auf Graphen, ein Material, das aus einer einzigen Schicht von Kohlenstoffatomen besteht, die in einem Wabenmuster angeordnet sind. Obwohl Graphen selbst ein einfaches Material ist, in dem die Elektronen nicht stark interagieren, dient es als perfektes Testfeld. Die Forscher wollten sehen, ob sie einen verrauschten Quantencomputer nutzen könnten, um die Energieniveaus, oder die „Bandstruktur“, von Graphen in zwei verschiedenen Formen präzise abzubilden: als flache, zweidimensionale Schicht und als schmalen, eindimensionalen Streifen, der als Nanoband bekannt ist. Diese Streifen können gezackte Kanten oder glatte, gerade Kanten haben, und die Form der Kante verändert die Art und Weise, wie sich die Elektronen bewegen. Durch die erfolgreiche Simulation dieser nicht-interagierenden Systeme wollten die Forscher beweisen, dass ihre Methoden als zuverlässige Grundlage für zukünftige Studien viel komplexerer, interagierender Materialien dienen können.

Die Forscher entwickelten einen einzigen, flexiblen Arbeitsablauf, um sowohl die flachen Schichten als auch die schmalen Streifen anzugehen. Sie begannen damit, die mathematische Beschreibung der Elektronen in Graphen in eine Sprache zu übersetzen, die ein Quantencomputer verstehen kann, indem sie das Problem in eine Serie von Operationen auf Quantenbits, oder Qubits, umwandelten. Um den niedrigsten Energiezustand des Systems zu finden, verwendeten sie eine Methode namens Variational Quantum Eigensolver. Dieser Ansatz funktioniert wie eine geführte Suche: Der Quantencomputer bereitet einen Testzustand vor, misst dessen Energie, und dann passt ein klassischer Computer die Einstellungen an, um zu versuchen, eine niedrigere Energie zu finden. Sie wiederholten diesen Prozess und verfeinerten die Einstellungen, bis sie die stabilste Konfiguration fanden. Um die höheren Energiezustände zu finden, nutzten sie eine Technik namens Variational Quantum Deflation, die eine Strafe zur Suche hinzufügt, falls der Computer versucht, einen Zustand zu finden, den er bereits entdeckt hat, was ihn zwingt, nach der nächsten Ebene zu suchen.

Das Team testete seine Methode auf drei verschiedene Arten, um sicherzustellen, dass ihre Ergebnisse vertrauenswürdig sind. Zuerst führten sie den gesamten Prozess auf einer perfekten, rauschfreien Simulation durch, um zu sehen, was das ideale Ergebnis sein sollte. Zweitens simulierten sie den Prozess auf einem Computer, der ein realistisches Modell der Fehler enthielt, die in aktueller Quantenhardware vorkommen. Schließlich führten sie die Berechnungen auf tatsächlichen Quantenprozessoren durch, die von IBM bereitgestellt wurden. Die Ergebnisse der perfekten Simulation waren nahezu identisch mit den bekannten exakten Antworten, was bewies, dass ihre mathematische Übersetzung und ihr Algorithmus korrekt waren. Als sie Rauschen in die Simulation einführten, driften die berechneten Energiewerte leicht ab, aber die allgemeine Form der Energiebänder blieb klar und genau. Die Abweichungen waren gering und beliefen sich nur auf wenige Hundertstel der Energieeinheit, die verwendet wird, um den Sprung von Elektronen zwischen Atomen zu beschreiben.

Als die Forscher zu der realen Hardware übergingen, waren die Ergebnisse für den einfachsten Fall sogar noch ermutigender als die verrauschten Simulationen vermuten ließen. Für die flache, zweidimensionale Graphenschicht, die nur ein einziges Qubit erforderte, lieferte das Gerät Ergebnisse, die den theoretischen Vorhersagen mit bemerkenswerter Präzision entsprachen. Der Fehler war so klein, dass er schlicht durch das statistische Rauschen der begrenzten Anzahl an Messungen dominiert wurde, statt durch die Hardware selbst. Dies war eine entscheidende Erkenntnis, da sie zeigte, dass aktuelle Quantenmaschinen bereits in der Lage sind, für einfache Systeme hochwertige Daten zu produzieren. Die Geschichte änderte sich jedoch leicht, als sie sich die eindimensionalen Nanobänder ansah, die mehr Qubits und komplexere Schaltkreise erforderten. Hier produzierten die realen Geräte etwas größere Fehler, als das Rauschmodell vorhergesagt hatte. Die Forscher fanden heraus, dass die Fehler nicht zufällig waren; sie waren systematisch und drückten die Energiewerte in Richtung der Mitte des Spektrums. Dies deutete darauf hin, dass die Hardware spezifische Arten von Fehlern einführte, wie etwa Interferenzen zwischen benachbarten Qubits, die in ihren Simulationsmodellen nicht vollständig erfasst wurden.

Eine zentrale Entdeckung der Arbeit war, wie sich die Genauigkeit der Methode änderte, wenn die Größe des Systems wuchs. Die Forscher fanden heraus, dass die Anzahl der benötigten Qubits, um ein Nanoband zu beschreiben, nur sehr langsam wächst, wenn das Band breiter wird, was eine sehr günstige Skalierung für zukünftige Anwendungen darstellt. Sie fanden jedoch auch eine harte Grenze für die Genauigkeit. Wenn sie den Quantenschaltkreis einfach und flach hielten, um Fehler zu vermeiden, waren die Ergebnisse für kleine Systeme gut, wurden aber ungenauer, wenn das System größer wurde. Umgekehrt, wenn sie den Schaltkreis tiefer und komplexer gestalteten, um mehr Details zu erfassen, wurden die Ergebnisse auf der verrauschten Hardware tatsächlich schlechter. Die zusätzliche Tiefe ermöglichte mehr Gelegenheiten für Fehler zu akkumulieren, was den Nutzen der zusätzlichen Komplexität zunichtemachte. Dies bewies, dass es auf heutigen Maschinen die beste Strategie ist, den flachsten Schaltkreis zu verwenden, den das Problem tolerieren kann, anstatt zu versuchen, den leistungsstärksten Schaltkreis zu bauen, den die Physik theoretisch zulassen würde.

Der vielleicht aufschlussreichste Teil der Studie war, wie die Forscher nicht nur die Energiewerte, sondern auch die Qualität des Quantenzustands selbst überprüften. Sie erkannten, dass ein Computer manchmal den richtigen Energiewert durch Zufall finden kann, selbst wenn der zugrunde liegende Zustand der Elektronen falsch ist. Um dies abzufangen, nutzten sie ein Diagnosewerkzeug, um zu messen, wie viel des berechneten Zustands tatsächlich zu der korrekten Gruppe physikalischer Zustände gehört. In den perfekten Simulationen bestätigte dieser Check, dass der Computer die richtigen Zustände findet. In der verrauschten Umgebung entdeckten sie jedoch einen subtilen Fehlermodus: Manchmal übersprang der Computer ein Energieniveau und pendelte sich auf einem falschen ein, obwohl der Energiewert immer noch plausibel aussah. Durch die direkte Überprüfung des Zustands konnten sie feststellen, dass die Berechnung fehlgeschlagen war – ein Fehler, den die Betrachtung der Energie allein verborgen hätte. Dieses Diagnosewerkzeug war besonders nützlich, um zu identifizieren, wann der Computer mit Gruppen von Zuständen kämpfte, die energetisch sehr eng beieinander lagen, ein häufiges Merkmal in diesen Materialien.

Die Studie kommt zu dem Schluss, dass aktuelle Quantencomputer zwar noch nicht mächtig genug sind, um die schwierigsten Probleme der Materialwissenschaft im Alleingang zu lösen, aber bereit sind, als kontrollierter und zuverlässiger Ausgangspunkt zu dienen. Die Forscher demonstrierten, dass sie die Energielandschaft von Graphen-Systemen präzise abbilden können, was eine solide Basis für Referenzzustände bietet. Diese Referenzzustände sind essenziell für fortgeschrittenere Algorithmen, die sich schließlich um die komplexen, interagierenden Elektronen kümmern werden, die in Supraleitern und anderen exotischen Materialien vorkommen. Indem sie bewiesen, dass ihr Arbeitsablauf von idealen Simulationen bis hin zur realen Hardware funktioniert und indem sie zeigten, wie man die Fehler diagnostiziert und interpretiert, die dabei auftreten, haben die Forscher einen klaren Weg aufgezeigt. Sie haben gezeigt, dass es selbst im verrauschten Zeitalter des Quantencomputings möglich ist, aussagekräftige, hochwertige Informationen über die physische Welt zu extrahieren, vorausgesetzt, man weiß genau, wie man sucht und wie man die Informationen der Maschine interpretiert.