🔬 física

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

Este artículo presenta SlaKoNet-VQD, un flujo de trabajo de alto rendimiento que combina un generador de Hamiltonianos de enlace fuerte de Slater-Koster basado en aprendizaje profundo universal con el algoritmo de deflación cuántica variacional para computar eficientemente estructuras de bandas precisas para sólidos periódicos en hardware cuántico de corto plazo, demostrando simulaciones exitosas en silicio, diversos superconductores y dispositivos reales de IBM Quantum.

Autores originales: Akshaya Ajith, Jaehyung Lee, Charles Rhys Campbell, Kamal Choudhary

Publicado 2026-10-13

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Akshaya Ajith, Jaehyung Lee, Charles Rhys Campbell, Kamal Choudhary

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La búsqueda de comprender cómo se mueven los electrones a través de los materiales sólidos es uno de los desafíos más fundamentales de la ciencia moderna. Estas diminutas partículas determinan si una sustancia conduce la electricidad, brilla con luz o se convierte en un superconductor que transporta la corriente sin resistencia. Para predecir estos comportamientos, los científicos dependen tradicionalmente de simulaciones computacionales complejas que resuelven ecuaciones que describen la energía de cada electrón en un cristal. Si bien estos métodos funcionan bien para moléculas pequeñas, se vuelven increíblemente difíciles y lentos cuando se aplican a los patrones repetitivos e infinitos que se encuentran en los cristales sólidos. Durante décadas, los investigadores han esperado que las computadoras cuánticas pudieran resolver estos problemas de forma natural, ya que operan utilizando las mismas reglas cuánticas que gobiernan a los electrones. Sin embargo, un obstáculo importante ha persistido: antes de que una computadora cuántica pueda comenzar su trabajo, los científicos primero deben traducir el material físico a un formato matemático específico que la máquina pueda entender. Este paso de traducción ha sido lento, costoso y ha requerido que un experto humano ajuste manualmente los parámetros para cada nuevo material, bloqueando efectivamente el camino para probar miles de sustancias diferentes.

Un equipo de investigadores de la Universidad Johns Hopkins ha construido ahora un puente a través de este cuello de botella. Desarrollaron un nuevo flujo de trabajo que combina un poderoso modelo de inteligencia artificial con un algoritmo cuántico para calcular las bandas de energía de los materiales sólidos. En lugar de pedir a un humano que construya manualmente la descripción matemática para cada nuevo cristal, entrenaron una red neuronal para aprender las reglas del movimiento de los electrones a través de la tabla periódica. Una vez entrenado, este modelo de IA puede generar instantáneamente la descripción matemática necesaria para cualquier material compuesto por 65 elementos diferentes, desde metales simples hasta compuestos complejos. Los investigadores luego introdujeron estas descripciones generadas por IA directamente en un algoritmo cuántico que se ejecuta en una computadora cuántica real. El resultado es un sistema que puede predecir las propiedades electrónicas de una amplia variedad de materiales sin necesidad de una configuración manual lenta, abriendo la puerta al cribado de vastas bibliotecas de materiales para futuras tecnologías.

El núcleo de este logro reside en reemplazar el antiguo método laborioso de construir estos modelos matemáticos. Previamente, para estudiar un nuevo sólido, un científico ejecutaría una simulación pesada para obtener una imagen aproximada, luego ajustaría manualmente los parámetros para adaptarse a los datos, un proceso que podría tomar días o semanas para un solo material. El nuevo enfoque utiliza una herramienta llamada SlaKoNet, que actúa como un traductor universal. Fue entrenada en una base de datos masiva de materiales conocidos para aprender cómo los electrones saltan entre átomos basándose en su distancia y tipo. Una vez completada esta fase de aprendizaje, el modelo puede producir instantáneamente un mapa matemático fiel para cualquier estructura cristalina nueva que encuentre. Este mapa es entregado a un algoritmo cuántico conocido como deflación cuántica variacional. Este algoritmo está diseñado para encontrar los niveles de energía de un sistema, de forma muy similar a encontrar las notas específicas que un instrumento musical puede tocar, pero lo hace buscando iterativamente los estados de menor energía y luego "deflactándolos" del camino para encontrar los siguientes.

Para probar si este nuevo flujo de trabajo funcionaba, los investigadores primero lo aplicaron al silicio, un material que es la base de la electrónica moderna. Pidieron al sistema que calculara todo el rango de niveles de energía para el silicio a través de una trayectoria estándar en su estructura interna. Usando un simulador que imita una computadora cuántica con tres cúbits, el sistema reprodujo con éxito las ocho bandas de energía con un error promedio de solo 1.78 milielectronvoltios. Este nivel de precisión es notablemente cercano a los valores teóricos exactos, demostrando que el mapa generado por la IA era lo suficientemente preciso para que la computadora cuántica pudiera trabajar con él. Los investigadores luego dieron el siguiente paso crítico: ejecutaron el mismo cálculo en hardware cuántico real proporcionado por IBM. Se centraron en el aluminio, un metal común, y le pidieron a la máquina que encontrara su energía de estado fundamental. Aunque el hardware real introdujo más ruido y error que el simulador perfecto, el sistema produjo un resultado que estaba a solo 0.37 electronvoltios del valor exacto. Esto demostró que todo el proceso, desde que la IA genera el mapa hasta que la computadora cuántica lo resuelve, puede funcionar en máquinas reales e imperfectas disponibles hoy en día.

El verdadero poder de este método, sin embargo, es su capacidad de generalización. Los investigadores no se detuvieron en el silicio y el aluminio. Aplicaron el mismo flujo de trabajo a otros cinco materiales, incluyendo varios metales que se vuelven superconductores a bajas temperaturas y un compuesto cerámico duro. Sin cambiar la configuración ni reentrenar el modelo, el sistema generó con éxito las estructuras de bandas de energía para todos ellos. La precisión se mantuvo alta, con errores por debajo de los 1.8 milielectronvoltios para los materiales más complejos. Esto muestra que el modelo de IA ha aprendido un conjunto universal de reglas que se aplican a diferentes tipos de química, desde metales simples de electrones libres hasta metales de transición y nitruros. Significa que un único modelo preentrenado puede ahora servir como punto de partida para estudiar miles de materiales diferentes, eliminando la necesidad de un experto humano para construir un nuevo modelo para cada uno.

Más allá de los niveles de energía simples, los investigadores también exploraron cómo este método podría abordar problemas más difíciles donde los electrones interactúan fuertemente entre sí. En muchos materiales, el comportamiento de un electrón depende fuertemente de los demás, creando efectos complejos que son difíciles de simular. El equipo demostró que su modelo generado por IA podía actualizarse para incluir estas interacciones y luego resolverse mediante una técnica llamada teoría de campo medio dinámica. Aplicaron esto a un famoso material basado en el cobre conocido por sus fuertes correlaciones electrónicas. El sistema capturó con éxito el debilitamiento de estas correlaciones a medida que se movían hacia abajo en un grupo de metales e identificó el problema matemático específico que una computadora cuántica necesitaría resolver para entender el comportamiento del material. Esto sugiere que el flujo de trabajo no es solo una herramienta para cálculos simples, sino un marco completo que puede guiar a las computadoras cuánticas hacia los problemas más desafiantes en la ciencia de materiales.

Las implicaciones de este trabajo se extienden mucho más allá de los materiales específicos probados. Al eliminar el paso de configuración manual, los investigadores han creado un camino para el cribado de alto rendimiento, donde los algoritmos cuánticos podrían probarse contra miles de materiales en un solo barrido. Esto permite a los científicos estudiar cómo se desempeñan diferentes algoritmos cuánticos a través de una amplia gama de entornos químicos, algo que antes era imposible debido al tiempo requerido para preparar cada entrada. Además, debido a que todo el proceso es diferenciable, lo que significa que los pasos matemáticos pueden rastrearse hacia atrás para ver cómo los cambios en el material afectan el resultado final, abre la puerta a optimizar tanto el diseño del material como el algoritmo cuántico simultáneamente. Los investigadores han puesto sus herramientas y datos a disposición del público, invitando a otros a construir sobre esta base. Si bien las computadoras cuánticas actuales todavía están limitadas por el ruido y el número de cúbits que se pueden controlar, este trabajo demuestra que un enfoque universal impulsado por IA puede hacer el mejor uso del hardware actual. Convierte a la computadora cuántica de una máquina que requiere una llave construida a medida para cada puerta en una herramienta que puede desbloquear una vasta biblioteca de materiales, acelerando el descubrimiento de nuevos superconductores, semiconductores y otras sustancias avanzadas.

Resumen Técnico: SlaKoNet-VQD

Planteamiento del Problema
Los algoritmos cuánticos variacionales, específicamente el Solucionador Cuántico Variacional (VQE) y el Deflación Cuántica Variacional (VQD), son candidatos principales para computar estructuras electrónicas en hardware cuántico de la era de la NISQ (era de ruido intermedio de escala intermedia). Aunque estos métodos han madurado para sistemas moleculares, su aplicación a sólidos periódicos sigue siendo limitada. El cuello de botella principal no es el algoritmo cuántico en sí, sino el alto costo de construir un Hamiltoniano de segundo cuantizado fiel para cada material específico. Los flujos de trabajo actuales dependen de la Teoría del Funcional de la Densidad (DFT) seguida de la Wannierización o de parámetros de Slater-Koster (SK) empíricos ajustados manualmente. Ambos enfoques requieren una experiencia humana significativa por material, son difíciles de integrar en procesos de alto rendimiento o diferenciables y carecen de transferibilidad entre diferentes químicas sin un nuevo ajuste de parámetros.

Metodología
Los autores proponen SlaKoNet-VQD, un flujo de trabajo que integra un generador de Hamiltoniano mediante redes neuronales universales con un algoritmo VQD basado en Qiskit.

Generación de Hamiltoniano SlaKoNet: El flujo de trabajo utiliza SlaKoNet, un marco de aprendizaje profundo entrenado con el conjunto de datos JARVIS-TBmBJ (aproximadamente 20,000 materiales con números atómicos $Z \le 65$ ). A diferencia de las redes neuronales de grafos que predicen elementos de matriz directamente, SlaKoNet aprende los parámetros de Slater-Koster dependientes de la distancia (energías de sitio, integrales de salto e integrales de solapamiento) mediante diferenciación automática. Una vez entrenado, construye determinísticamente el Hamiltoniano en el espacio real $H(R)$ y la matriz de solapamiento $S(R)$ para cualquier composición cristalina dentro de su dominio de entrenamiento. Estos se transforman en Hamiltonianos resueltos en el vector de onda $k$ mediante sumas de Bloch $H(k)$ .
Hermitización y Descomposición: Para asegurar la compatibilidad con el hardware cuántico, las matrices $H(k)$ generadas (que pueden sufrir de ruptura de simetría por precisión finita) se simetrizan mediante $(H + H^\dagger)/2$ . La matriz hermítica resultante se descompone entonces en una suma de cadenas de Pauli ponderadas ( $H = \sum c_P P$ ) utilizando un proyector de producto tensorial de Pauli, mapeando el problema a $n = \lceil \log_2 N \rceil$ qubits, donde $N$ es el número de orbitales.
Deflación Cuántica Variacional (VQD): El algoritmo cuántico resuelve los autovalores. El estado fundamental se encuentra mediante la minimización estándar de VQE. Los estados excitados se obtienen aumentando la función de costo con penalizaciones de solapamiento contra los autoestados previamente encontrados para forzar la ortogonalidad.
Ansatz y Optimización: El estudio emplea el ansatz EfficientSU2 (circuit6) con cinco repeticiones, que consiste en capas alternas de rotación $R_Y/R_Z$ y cadenas de entrelazamiento lineales. El bucle externo clásico utiliza el optimizador COBYLA.

Contribuciones Clave
El artículo realiza cinco contribuciones específicas:

Construcción del Flujo de Trabajo: Una interfaz limpia entre el generador de Hamiltoniano SlaKoNet y la primitiva Qiskit Estimator, incluyendo un paso de Hermitización necesario para manejar el ruido numérico.
Validación: Un benchmark de la zona de Brillouin completa sobre silicio, comparando los autovalores de VQD de 3 qubits contra la diagonalización exacta del mismo Hamiltoniano neuronal.
Ejecución en Hardware: Demostración del flujo de trabajo en el hardware de IBM Quantum (ibm_boston), incluyendo mitigación de errores y cuantificación de las discrepancias entre la simulación y el hardware real.
Generalización: Aplicación del mismo flujo de trabajo, sin reentrenamiento, a un panel de cinco superconductores convencionales (Al, Ta, V, Nb y ZrN), demostrando la transferibilidad a través de metales libres de electrones elementales, metales de transición y nitruros de metales de transición.
Extensión Correlacionada: Una extensión conceptual que promueve el Hamiltoniano SlaKoNet hacia un modelo de Hubbard correlacionado resuelto mediante la Teoría de Campo Medio Dinámico (DMFT). Esto recupera tendencias de correlación conocidas en metales del Grupo 5 y una fuerte renormalización de cuasipartículas en el cuprato La $_2$ CuO $_4$ , identificando el problema de impurezas resultante como un objetivo natural para los solucionadores cuánticos.

Resultados

Benchmark de Silicio: En un simulador de estado vectorial de 3 qubits, el flujo de trabajo SlaKoNet-VQD recuperó la estructura completa de ocho bandas del silicio a lo largo de la ruta estándar de alta simetría con una Desviación Absoluta Media (MAD) de 1.78 meV respecto a la diagonalización exacta. Las mayores desviaciones (29.32 meV) ocurrieron en los estados excitados más altos debido a la acumulación de penalizaciones de deflación.
Ejecución en Hardware: Un cálculo del estado fundamental para el aluminio en el hardware de IBM Quantum produjo un error absoluto medio de aproximadamente 0.37 eV respecto a la diagonalización exacta (después de la mitigación de errores). Los autores señalan que este error es comparable a las diferencias típicas entre funcionales de DFT y es mayor que la precisión química, atribuyéndolo al ruido actual del hardware más que a fallos en el flujo de trabajo.
Generalización: Para los cinco superconductores adicionales, el flujo de trabajo logró MADs dentro de aproximadamente 1.8 meV por banda. Los metales elementales (Al, Ta, V, Nb) mostraron errores $\le 0.05$ meV, mientras que el sistema de 3 qubits de ZrN mostró 1.74 meV.
Sistemas Correlacionados: En la extensión DMFT, el flujo de trabajo reprodujo con éxito el debilitamiento de las correlaciones hacia abajo en la columna del Grupo 5 (V $\to$ Nb $\to$ Ta) e identificó una fuerte renormalización de cuasipartículas en La $_2$ CuO $_4$ al restringir el baño al manifold de baja energía.

Significancia y Reivindicaciones
El artículo afirma que SlaKoNet-VQD elimina el "costo de configuración por material" que históricamente ha limitado los estudios de estructura de bandas cuánticos. Al reemplazar DFT/Wannierización con un Hamiltoniano neuronal universal y diferenciable, el flujo de trabajo permite:

Cribado de alto rendimiento: La capacidad de ejecutar VQE/VQD en miles de materiales en un solo barrido sin intervención manual.
Flujos de trabajo diferenciables: Toda la cadena, desde la estructura cristalina hasta el autovalor cuántico, es diferenciable, permitiendo la co-optimización basada en gradientes del ansatz y el Hamiltoniano.
Benchmarking Algorítmico: El flujo de trabajo proporciona un sustrato reproducible y de estructura fija para probar nuevos algoritmos variacionales, de forma análoga al papel de FCIDUMP en la química molecular.

Los autores declaran explícitamente que la precisión de los resultados está limitada por el modelo SlaKoNet subyacente (entrenado contra datos TBmBJ) y no por el solucionador cuántico en sí. Reconocen limitaciones, incluyendo la falta de acoplamiento espín-órbita y potenciales de par repulsivo en el modelo actual, así como la degradación de la fidelidad de los estados excitados a medida que se asciende en el espectro. Sin embargo, postulan que este flujo de trabajo establece una base para el benchmarking de alto rendimiento de algoritmos variacionales a través de la tabla periódica y allana el camino para la teoría de campo medio dinámico acelerada por ML.

Más como este