SlaKoNet-VQD: A universal Slater-Koster tight-binding Hamiltonian for variational quantum band-structure calculations on near-term hardware

Das Bestreben, zu verstehen, wie sich Elektronen durch feste Materialien bewegen, gehört zu den grundlegendsten Herausforderungen der modernen Wissenschaft. Diese winzigen Teilchen bestimmen, ob eine Substanz Strom leitet, mit Licht leuchtet oder zu einem Supraleiter wird, der Strom ohne Widerstand überträgt. Um diese Verhaltensweisen vorherzusagen, verlassen sich Wissenschaftler traditionell auf komplexe Computersimulationen, die Gleichungen lösen, welche die Energie jedes einzelnen Elektrons in einem Kristall beschreiben. Während diese Methoden für kleine Moleküle gut funktionieren, werden sie unglaublich schwierig und langsam, wenn sie auf die sich wiederholenden, unendlichen Muster angewendet werden, die in festen Kristallen vorkommen. Jahrzehntelang hofften Forscher, dass Quantencomputer diese Probleme auf natürliche Weise lösen könnten, da sie nach denselben Quantenregeln operieren, die auch die Elektronen steuern. Ein großes Hindernis blieb jedoch bestehen: Bevor ein Quantencomputer mit seiner Arbeit beginnen kann, müssen Wissenschaftler das physikalische Material zuerst in ein spezifisches mathematisches Format übersetzen, das die Maschine verstehen kann. Dieser Übersetzungsschritt war langsam, teuer und erforderte einen menschlichen Experten, der die Einstellungen für jedes neue Material manuell abstimmen musste, was effektiv den Weg zum Testen tausender verschiedener Substanzen blockierte.

Ein Forschungsteam der Johns Hopkins University hat nun eine Brücke über diesen Engpass geschlagen. Sie entwickelten einen neuen Workflow, der ein leistungsstarkes Modell der künstlichen Intelligenz mit einem Quantenalgorithmus kombiniert, um die Energiebänder fester Materialien zu berechnen. Anstatt einen Menschen zu bitten, die mathematische Beschreibung für jeden neuen Kristall manuell zu konstruieren, trainierten sie ein neuronales Netzwerk darauf, die Regeln der Elektronenbewegung über das gesamte Periodensystem hinweg zu erlernen. Einmal trainiert, kann dieses KI-Modell augenblicklich die notwendige mathematische Beschreibung für jedes Material erstellen, das aus 65 verschiedenen Elementen besteht – von einfachen Metallen bis hin zu komplexen Verbindungen. Die Forscher speisten diese KI-generierten Beschreibungen dann direkt in einen Quantenalgorithmus ein, der auf einem echten Quantencomputer läuft. Das Ergebnis ist ein System, das die elektronischen Eigenschaften einer Vielzahl von Materialien vorhersagen kann, ohne dass ein langsamer, manueller Setup-Prozess erforderlich ist, was die Tür für das Screening riesiger Materialbibliotheken für zukünftige Technologien öffnet.

Der Kern dieser Errungenschaft liegt in der Ersetzung der alten, arbeitsintensiven Methode des Aufbaus dieser mathematischen Modelle. Zuvor hätte ein Wissenschaftler, um einen neuen Feststoff zu untersuchen, eine schwere Simulation durchgeführt, um ein grobes Bild zu erhalten, und dann Parameter manuell angepasst, um sie an die Daten anzupassen – ein Prozess, der für ein einzelnes Material Tage oder Wochen dauern konnte. Der neue Ansatz verwendet ein Werkzeug namens SlaKoNet, das als universeller Übersetzer fungiert. Es wurde auf einer massiven Datenbank bekannter Materialien trainiert, um zu lernen, wie Elektronen zwischen Atomen basierend auf deren Abstand und Typ springen. Sobald diese Lernphase abgeschlossen ist, kann das Modell augenblicklich eine getreue mathematische Karte für jede neue Kristallstruktur erstellen, auf die es trifft. Diese Karte wird dann einem Quantenalgorithmus übergeben, der als „variational quantum deflation“ bekannt ist. Dieser Algorithmus ist darauf ausgelegt, die Energieniveaus eines Systems zu finden, ähnlich wie man die spezifischen Töne findet, die ein Musikinstrument spielen kann, aber er tut dies, indem er iterativ nach den niedrigsten Energiezuständen sucht und diese dann „ausdeflatiert“, um die nächsten zu finden.

Um zu testen, ob diese Pipeline funktionierte, wandten die Forscher sie zuerst auf Silizium an, ein Material, das das Fundament der modernen Elektronik bildet. Sie ließen das System das volle Spektrum der Energieniveaus für Silizium entlang eines Standardpfades durch seine interne Struktur berechnen. Mit einem Simulator, der einen Quantencomputer mit drei Qubits nachahmt, reproduzierte das System erfolgreich alle acht Energiebänder mit einem durchschnittlichen Fehler von nur 1,78 Millielektronenvolt. Dieses Maß an Präzision liegt bemerkenswert nah an den exakten theoretischen Werten, was beweist, dass die KI-generierte Karte genau genug war, damit der Quantencomputer damit arbeiten konnte. Die Forscher unternahmen dann den nächsten entscheidenden Schritt: Sie führten dieselbe Berechnung auf echter Quantenhardware durch, die von IBM bereitgestellt wurde. Sie konzentrierten sich auf Aluminium, ein häufiges Metall, und baten die Maschine, dessen Grundzustandsenergie zu finden. Obwohl die echte Hardware mehr Rauschen und Fehler einführte als der perfekte Simulator, lieferte das System dennoch ein Ergebnis, das nur etwa 0,37 Elektronenvolt vom exakten Wert entfernt war. Dies demonstrierte, dass der gesamte Prozess, vom Generieren der Karte durch die KI bis hin zur Lösung durch den Quantencomputer, auf den heute verfügbaren, unvollkommenen Maschinen funktionieren kann.

Die wahre Stärke dieser Methode liegt jedoch in ihrer Fähigkeit zur Generalisierung. Die Forscher hielten nicht bei Silizium und Aluminium inne. Sie wandten denselben Workflow auf fünf weitere Materialien an, darunter mehrere Metalle, die bei niedrigen Temperaturen Supraleiter werden, sowie eine harte Keramikverbindung. Ohne die Einstellungen zu ändern oder das Modell neu zu trainieren, generierte das System erfolgreich die Energiebandstrukturen für alle diese Materialien. Die Genauigkeit blieb hoch, wobei die Fehler bei den komplexeren Materialien unter 1,8 Millielektronenvolt lagen. Dies zeigt, dass das KI-Modell eine universelle Menge an Regeln gelernt hat, die für verschiedene Arten der Chemie gelten, von einfachen freien Elektronenmetallen bis hin zu Übergangsmetallen und Nitriden. Das bedeutet, dass ein einziges, vortrainiertes Modell nun als Ausgangspunkt für die Untersuchung tausender verschiedener Materialien dienen kann, wodurch die Notwendigkeit entfällt, für jedes einzelne ein neuer Experte ein neues Modell zu erstellen.

Über einfache Energieniveaus hinaus untersuchten die Forscher auch, wie diese Methode schwierigere Probleme angehen kann, bei denen Elektronen stark miteinander interagieren. In vielen Materialien hängt das Verhalten eines Elektrons stark von den anderen ab, was komplexe Effekte erzeugt, die schwer zu simulieren sind. Das Team zeigte, dass ihr KI-generiertes Modell aufgerüstet werden kann, um diese Wechselwirkungen einzubeziehen, und dass es anschließend mittels einer Technik namens „dynamical mean-field theory“ gelöst werden kann. Sie wandten dies auf ein berühmtes kupferbasiertes Material an, das für seine starken Elektronenkorrelationen bekannt ist. Das System erfasste erfolgreich die Abschwächung dieser Korrelationen, während man sich in einer Gruppe von Metallen nach unten bewegte, und identifizierte das spezifische mathematische Problem, das ein Quantencomputer lösen müsste, um das Verhalten des Materials zu verstehen. Dies deutet darauf hin, dass die Pipeline nicht nur ein Werkzeug für einfache Berechnungen ist, sondern ein vollständiges Framework, das Quantencomputer zu den anspruchsvollsten Problemen der Materialwissenschaft führen kann.

Die Auswirkungen dieser Arbeit reichen weit über die spezifisch getesteten Materialien hinaus. Durch die Entfernung des manuellen Setup-Schritts haben die Forscher einen Pfad für das High-Throughput-Screening geschaffen, bei dem Quantenalgorithmen in einem einzigen Durchlauf gegen tausende von Materialien getestet werden könnten. Dies ermöglicht es Wissenschaftlern, zu untersuchen, wie verschiedene Quantenalgorithmen über eine breite Palette chemischer Umgebungen hinweg abschneiden – etwas, das zuvor aufgrund der Zeit, die für die Vorbereitung jedes einzelnen Inputs erforderlich war, unmöglich war. Darüber hinaus ist der gesamte Prozess differenzierbar, was bedeutet, dass die mathematischen Schritte rückwärts verfolgt werden können, um zu sehen, wie Änderungen am Material das Endergebnis beeinflussen. Dies öffnet die Tür dazu, sowohl das Materialdesign als auch den Quantenalgorithmus gleichzeitig zu optimieren. Die Forscher haben ihre Werkzeuge und Daten öffentlich zugänglich gemacht und laden andere dazu ein, auf dieser Grundlage aufzubauen. Obwohl heutige Quantencomputer noch durch Rauschen und die Anzahl der kontrollierbaren Qubits begrenzt sind, zeigt diese Arbeit, dass ein universeller, KI-gesteuerter Ansatz die beste Verwendung für die heutige Hardware ermöglicht. Er verwandelt den Quantencomputer von einer Maschine, die für jede Tür einen maßgeschneiderten Schlüssel benötigt, in ein Werkzeug, das eine riesige Bibliothek an Materialien aufschließen kann, was die Entdeckung neuer Supraleiter, Halbleiter und anderer fortschrittlicher Substanzen beschleunigt.