Machine learning quantum data to accelerate quantum Monte Carlo

In der mikroskopischen Welt der Moleküle und Materialien ist das Verhalten von Elektronen oft ein chaotisches Geflecht. Wenn Elektronen stark miteinander interagieren, weigern sie sich, unabhängig zu agieren, wodurch komplexe Muster entstehen, die bestimmen, ob ein Material Strom leitet, ein Supraleiter wird oder eine chemische Reaktion katalysiert. Diese Verhaltensweisen vorherzusagen, gehört zu den schwierigsten Herausforderungen der modernen Wissenschaft. Klassische Computer, die alles von Smartphones bis hin zu Supercomputern antreiben, haben mit dieser Aufgabe massiv zu kämpfen, da die Anzahl der möglichen Elektronenanordnungen so schnell wächst, dass sie selbst die leistungsstärksten Maschinen schnell überfordert. Quantencomputer, die die seltsamen Gesetze der Physik nutzen, um Informationen zu verarbeiten, bieten einen anderen Weg. Sie können diese verschlungenen Elektronenzustände natürlich darstellen, sind jedoch derzeit fehleranfällig und können gleichzeitig nur eine begrenzte Menge an Informationen speichern. Um diese Lücke zu schließen, haben Wissenschaftler einen hybriden Ansatz entwickelt: einen Quantencomputer zu nutzen, um eine grobe Skizze der Elektronenanordnung vorzubereiten, und dann einen klassischen Computer zu verwenden, um diese Skizze in eine präzise Antwort zu verfeinern. Diese Methode, bekannt als Quanten-Monte-Carlo-Verfahren, hat großes Versprechen gezeigt, ist aber an eine Wand gestoßen. Der Prozess, die Rohdaten des Quantencomputers in eine Form zu übersetzen, die der klassische Computer nutzen kann, ist so langsam und kostspielig, dass er diese Experimente auf sehr kleine Systeme beschränkt hat, was Wissenschaftler daran hinderte, die größeren, interessanteren Moleküle anzugehen, auf die es am meisten ankommt.

Einem Team von Forschern ist es nun gelungen, diese Barriere zu durchbrechen, indem sie einem Machine-Learning-Modell beigebracht haben, die Daten des Quantencomputers direkt zu lesen und so die Notwendigkeit langsamer, repetitiver Berechnungen zu umgehen. In einer kürzlich veröffentlichten Studie zeigten sie, dass dieser neue Ansatz den gesamten Prozess um Tausende Male beschleunigen kann, was es ihnen ermöglicht, Systeme mit bis zu 40 Qubits zu simulieren – ein Maßstab, der mehr als doppelt so groß ist wie bisher bei vergleichbarer Genauigkeit möglich war. Das Team, das mit Googles Willow-Quantenprozessor arbeitete, testete seine Methode an zwei sehr unterschiedlichen Herausforderungen: langen Ketten von Wasserstoffatomen und komplexen Eisen-Schwefel-Clustern, die in biologischen Systemen vorkommen. In beiden Fällen lernte das Machine-Learning-Modell erfolgreich, die notwendigen Quantenüberlappungen aus einem komprimierten Satz von Messungen vorherzusagen, und fungierte effektiv als schneller, intelligenter Übersetzer zwischen der Quanten- und der klassischen Welt. Die Ergebnisse waren nicht nur schneller, sondern auch genau genug, um die „chemische Genauigkeit“ zu erreichen – den Goldstandard für die Vorhersage des Verhaltens von Molekülen –, ein Meilenstein, der für diese größeren Systeme bisher unerreichbar geblieben war.

Der Kern des Problems, das die Forscher gelöst haben, liegt darin, wie hybride Quantenalgorithmen derzeit operieren. In einem typischen Aufbau bereitet ein Quantenprozessor eine Trial-Wellenfunktion vor, eine mathematische Beschreibung dessen, wie die Elektronen wahrscheinlich angeordnet sind. Um diese Beschreibung zu verfeinern, führt ein klassischer Computer eine Simulation namens Quanten-Monte-Carlo durch, die Millionen von Schritten umfasst, in denen das System leicht verändert und überprüft wird. Bei jedem einzelnen Schritt muss der klassische Computer wissen, wie gut der aktuelle Zustand mit der Trial-Wellenfunktion des Quantenprozessors übereinstimmt. Traditionell erfordert dies, dass der klassische Computer die Rohdaten der Quantenmaschine für jeden einzelnen Schritt der Simulation neu verarbeitet. Wenn das System größer wird, explodiert die Menge der Daten, und die benötigte Zeit zur Verarbeitung wird prohibitiv. In früheren Experimenten bedeutete dieser Engpass, dass die Simulation eines Systems mit nur 16 Qubits über 13.000 Stunden Rechenzeit auf leistungsstarken Grafikprozessoren erforderte. Eine Hochrechnung auf ein 40-Qubit-System deutete darauf hin, dass es Millionen von Stunden dauern würde, was solche Berechnungen praktisch unmöglich machte.

Um dies zu überwinden, änderten die Forscher den Arbeitsablauf grundlegend. Anstatt die Rohdaten Millionen Male neu zu verarbeiten, sammelten sie einmalig eine große Gruppe randomisierter Messungen vom Quantenprozessor. Dann nutzten sie diese Daten, um ein Machine-Learning-Modell zu trainieren, eine Art künstliche Intelligenz, die Muster aus Beispielen lernen kann. Diesem Modell wurde beigebracht, die spezifischen Werte vorherzusagen, die die klassische Simulation benötigt, wodurch die riesige Menge an Quantendaten effektiv in ein kompaktes, schnell laufendes Programm komprimiert wurde. Einmal trainiert, konnte dieses Modell die benötigten Informationen fast augenblicklich bereitstellen, ohne jemals wieder auf die ursprünglichen Quantendaten zurückgreifen zu müssen. Die Forscher verglichen dies mit dem Erlernen einer Sprache: Anstatt ein Buch jedes Mal Wort für Wort zu übersetzen, wenn man einen Satz benötigt, lernt man einmal die Grammatik und den Wortschatz, wodurch man danach fließend und sofort sprechen kann.

Das Team testete diese Methode auf Googles Willow-Prozessor, einem Gerät mit über hundert Qubits und Hochgeschwindigkeits-Messkapazitäten. Zuerst widmeten sie sich Wasserstoffketten, einem Standard-Benchmark, um zu testen, wie gut eine Methode mit zunehmender Komplexität umgeht. Durch die Variation der Länge der Kette konnten sie Systeme von 8 bis 40 Qubits simulieren. In diesen Tests lieferte der Machine-Learning-Ansatz Ergebnisse mit chemischer Genauigkeit, was bedeutet, dass die vorhergesagten Energieniveaus innerhalb der winzigen Fehlermarge lagen, die für die reale Chemie erforderlich ist. Wichtiger noch: Die Beschleunigung war dramatisch. Für ein 16-Qubit-System war die neue Methode 4.100 Mal schneller als der traditionelle Ansatz. Für das 40-Qubit-System wäre die traditionelle Methode so teuer in der Durchführung gewesen, dass sie nie versucht wurde, aber die neue Methode machte sie machbar, indem sie die Berechnung in einem Bruchteil der Zeit abschloss.

Die Forscher gingen dann zu einem viel schwierigeren Problem über: einem Eisen-Schwefel-Cluster, einem Molekül, das für biologische Prozesse wie den Elektronentransfer und die Katalyse entscheidend ist. Diese Moleküle sind berüchtigt dafür, schwierig zu simulieren, da ihre Elektronen hoch korreliert sind und in vielen nahezu identischen Energiezuständen existieren. Frühere Versuche, diese Systeme mit klassischen Methoden oder frühen Quantentechniken zu simulieren, hatten Schwierigkeiten, das erforderliche Genauigkeitsniveau zu erreichen. Mit ihrem Machine-Learning-Framework gelang es dem Team, den Eisen-Schwefel-Cluster in aktiven Räumen von 28 und 40 Qubits zu simulieren. Sie fanden heraus, dass ihr quantengestützter Ansatz chemische Genauigkeit erreichen konnte, selbst wenn die Quantenhardware verrauscht war – ein häufiges Problem aktueller Geräte. Das Machine-Learning-Modell war robust genug, um das Rauschen zu filtern und das korrekte physikalische Signal zu extrahieren, was bewies, dass die Methode auch dann funktioniert, wenn die zugrunde liegenden Quantendaten unvollkommen sind.

Eine zentrale Erkenntnis der Arbeit war, dass das Machine-Learning-Modell nicht den gesamten Quantenzustand rekonstruieren musste, was zu komplex wäre. Stattdessen musste es nur die spezifischen Überlappungen lernen – die mathematischen Beziehungen zwischen dem Quantenzustand und den in der Simulation verwendeten Konfigurationen. Durch die Konzentration auf diese spezifischen Beziehungen blieb das Modell einfach und effizient. Die Forscher zeigten auch, dass sie mit einer groben klassischen Vermutung beginnen und dann die Quantendaten nutzen können, um diese zu verfeinern, oder sogar ganz von vorne beginnen können und die Quantendaten das Modell alles lehren lassen können, was es wissen muss. Im Fall des Eisen-Schwefel-Clusters zeigten sie, dass ein auf Quantendaten trainiertes Modell klassische Methoden übertraf, die für dieselbe Aufgabe optimiert waren, was den einzigartigen Wert des direkten Lernens von der Quantenhardware unterstrich.

Die Auswirkungen dieser Arbeit erstrecken sich über diese spezifischen Moleküle hinaus. Der Engpass, den die Forscher adressiert haben – die langsame Verarbeitung von Quantendaten – ist ein grundlegendes Problem, das bestehen bleiben wird, selbst wenn Quantencomputer leistungsfähiger und fehlerfreier werden. Indem sie zeigten, dass Machine Learning Quanteninformationen effizient komprimieren und wiederverwenden kann, lieferte das Team eine Blaupause dafür, wie hybride Algorithmen skalierbar werden können, um reale Probleme zu lösen. Ihr Erfolg mit 40 Qubits deutet darauf hin, dass der Weg zur Simulation komplexer Materialien und zum Design neuer Medikamente nicht länger durch die Rechenkosten blockiert ist. Die Studie beweist, dass wir mit der richtigen Schnittstelle zwischen Quanten- und klassischem Computing nun in eine Größenordnung der Simulation vordringen können, die zuvor unerreichbar war, was die Tür zu einer neuen Ära der Entdeckungen in der Chemie und Materialwissenschaft öffnet.