Transformer refined quantum sampling for strongly correlated electronic structure

L'article présente QiankunNet-QSCI, un cadre hybride quantique-classique qui combine un ansatz d'interaction de configuration unitaire sélectionné efficace exécuté sur le processeur Zuchongzhi 3.1 avec un réseau de neurones transformer pour reconstruire avec précision les fonctions d'onde électroniques et atteindre une précision chimique pour des systèmes fortement corrélés tels que la ferredoxine [2Fe-2S] et le cluster P de la nitrogenase sur les dispositifs quantiques actuels à échelle intermédiaire et bruyants.

L'essentiel

Imaginez essayer de trouver une seule aiguille parfaite dans une meule de foin de la taille de l'univers entier. C'est essentiellement ce à quoi les scientifiques sont confrontés lorsqu'ils tentent de calculer le comportement des électrons dans des molécules complexes, comme celles que l'on trouve dans les clusters fer-soufre ou dans les enzymes qui aident les plantes à produire des engrais. La « meule de foin » représente le nombre immense de façons possibles dont les électrons peuvent s'organiser, et l'« aiguille » est l'arrangement spécifique qui représente l'état stable et véritable de la molécule.

Ce document présente une nouvelle méthode appelée QiankunNet-QSCI qui agit comme une équipe hybride ultra-intelligente pour trouver cette aiguille beaucoup plus rapidement et avec plus de précision qu'auparavant. Voici comment cela fonctionne, décomposé en étapes simples :

1. Le Problème : Trop de bruit, pas assez de clarté

Par le passé, les scientifiques ont tenté d'utiliser des ordinateurs quantiques pour résoudre ce problème. Cependant, les ordinateurs quantiques actuels sont comme des radios « bruyantes » ; ils captent beaucoup de parasites (erreurs) qui noient le signal. Si vous demandez à un ordinateur quantique bruyant d'examiner toute la meule de foin, il renvoie souvent un simple chaos aléatoire de foin, gaspillant temps et énergie.

2. La Solution : Une équipe de « Recherche et Affinage » en deux étapes

Les auteurs ont créé un partenariat entre un ordinateur quantique et une puissante intelligence artificielle (IA) pour résoudre ce problème. Imaginez cela comme un Éclaireur et un Cartographe.

Étape 1 : L'Éclaireur (L'ordinateur quantique)

Au lieu de demander à l'ordinateur quantique de résoudre le problème entier d'un coup (ce qu'il ne peut pas encore faire sans commettre d'erreurs), ils l'utilisent comme un éclaireur focalisé.

• L'astuce : Ils ont conçu une « carte » spéciale et très courte (appelée ansatz USCI) pour l'ordinateur quantique. Cette carte indique à l'ordinateur d'ignorer les vastes parties vides de la meule de foin et de ne regarder que les petites zones les plus probables où l'aiguille pourrait se cacher.
• Le résultat : Sur un véritable ordinateur quantique (le Zuchongzhi 3.1), cet éclaireur a réussi à ignorer le bruit et à trouver une petite liste de haute qualité d'« aiguilles candidates » (arrangements spécifiques d'électrons). Il n'a pas trouvé la réponse parfaite, mais il a trouvé le bon quartier où réside la réponse.

Étape 2 : Le Cartographe (Le Transformer IA)

Une fois que l'ordinateur quantique a remis cette petite liste de haute qualité de candidats, l'IA (QiankunNet) prend le relais.

• La tâche : L'IA est comme un maître cartographe qui examine l'ébauche grossière de l'éclaireur et remplit tous les détails manquants. Elle utilise un type d'IA avancé appelé Transformer (la même technologie derrière les chatbots modernes) pour comprendre les relations complexes entre les électrons.
• La magie : L'IA « débruite » les données (corrige les erreurs commises par l'ordinateur quantique) et « reconstruit » l'image complète. Elle prend la petite liste de candidats et l'étend mathématiquement pour prédire l'arrangement complet et parfait des électrons avec une précision incroyable.

3. Les Résultats : Résoudre l'« Impossible »

L'équipe a testé cette méthode sur deux énigmes chimiques très difficiles :

1. Le Cluster Fer-Soufre ([2Fe-2S]) : Il s'agit d'une minuscule machine biologique présente dans les êtres vivants. L'équipe a résolu sa structure électronique avec une « précision chimique » (ce qui signifie que la réponse est assez précise pour être utile en chimie réelle) en utilisant un ordinateur quantique de 40 qubits. C'est une étape majeure car les méthodes précédentes peinaient à obtenir ce résultat sur de tels dispositifs.
2. Le Cluster P de la Nitrogénase : Il s'agit d'une molécule encore plus grande et plus complexe impliquée dans la production d'engrais. Ils ont appliqué la méthode à un système massif comportant 114 électrons. Même si l'ordinateur quantique ne pouvait pas résoudre l'ensemble seul, l'équipe hybride a obtenu une réponse extrêmement proche du meilleur résultat théorique possible.

La Vue d'Ensemble

L'article affirme que cette méthode prouve que nous n'avons pas besoin d'attendre des ordinateurs quantiques « parfaits » pour effectuer un travail chimique utile. En utilisant un ordinateur quantique uniquement pour trouver le bon point de départ et une IA pour faire le gros œuvre de l'affinement, nous pouvons résoudre des problèmes moléculaires complexes dès aujourd'hui.

En bref : L'ordinateur quantique agit comme une lampe torche intelligente qui perce le bruit pour trouver le bon endroit, et l'IA agit comme un artiste brillant qui utilise cet endroit pour peindre l'image complète et précise de la molécule.

Résumé technique

Résumé technique : Échantillonnage quantique raffiné par transformateur pour la structure électronique fortement corrélée

Énoncé du problème
Simuler avec précision les systèmes d'électrons fortement corrélés, tels que les amas de métaux de transition, demeure un défi central en chimie computationnelle. Les méthodes classiques font face à des limitations significatives : la théorie de la fonctionnelle de la densité (DFT) échoue souvent en raison d'erreurs de délocalisation et de corrélation statique dans les problèmes à multi-références, tandis que les méthodes avancées de fonction d'onde, comme le groupe de renormalisation de la matrice de densité (DMRG), peinent à être évolutives dans les espaces actifs de haute dimension où les dimensions de liaison doivent croître de manière exponentielle. À l'inverse, bien que l'informatique quantique offre une voie théorique vers des solutions exactes via la superposition et l'intrication quantiques, les dispositifs actuels à échelle intermédiaire bruyante (NISQ) sont entravés par de faibles temps de cohérence, des taux d'erreur élevés et la difficulté de concevoir des ansatz expressifs tout en étant efficaces pour le matériel. Les approches hybrides existantes, telles que le solveur variationnel d'éigenquantique (VQE) et l'interaction de configuration quantique sélectionnée (QSCI), souffrent de goulots d'étranglement spécifiques : le VQE fait face à des plateaux stériles et à des difficultés d'optimisation, tandis que la QSCI standard gaspille souvent les ressources quantiques à échantillonner des configurations redondantes ou de faible poids, entraînant une convergence lente et des queues dominées par le bruit.

Méthodologie : QiankunNet-QSCI
Les auteurs proposent QiankunNet-QSCI, un cadre hybride quantique-classique conçu pour surmonter ces goulots d'étranglement en découplant les rôles du matériel quantique et de l'apprentissage automatique classique. Le flux de travail opère en deux étapes distinctes :

1. Échantillonnage quantique ciblé (Ansatz USCI) :
   Au lieu d'utiliser le processeur quantique comme un solveur complet d'éigenvalues variationnel, il est employé comme un « échantillonneur de déterminants ciblé ». Les auteurs introduisent un ansatz d'Interaction de Configuration Sélectionnée Unitaires (USCI), spécifiquement conçu pour l'échantillonnage quantique.

   • Principe de conception : L'ansatz USCI privilégie la compacité et la pertinence chimique par rapport à la couverture complète de l'espace de Hilbert. Il est construit en effectuant d'abord un préfiltrage classique à faible coût (par exemple via CISD ou HCI semi-stochastique) pour identifier un ensemble compact de déterminants chimiquement significatifs.
   • Construction du circuit : L'ansatz utilise un opérateur unitaire composé de rotations d'orbitales et d'opérateurs d'excitation sélectionnés (dérivés de l'ensemble préfiltré) mappés sur des qubits via la transformation de Jordan-Wigner. Crucial, le circuit est conçu pour être peu profond et efficace pour le matériel, agissant souvent uniquement sur un sous-ensemble de qubits pertinents pour les excitations dominantes.
   • Exécution : Le processeur quantique (Zuchongzhi 3.1) exécute le circuit USCI pour générer une distribution de chaînes de bits. Celles-ci sont filtrées par symétrie pour ne conserver que les configurations physiquement valides (nombre de particules et spin corrects), définissant un sous-espace concentré et chimiquement pertinent.

2. Raffinement classique (QiankunNet) :
   Les échantillons quantiques, bien que clairsemés mais critiques, sont alimentés dans QiankunNet, un réseau de neurones basé sur un transformateur.

   • Architecture : QiankunNet utilise une architecture de transformateur uniquement décodeur avec des têtes découplées amplitude/phase. Il traite les chaînes d'occupation des déterminants de Slater comme des séquences d'entrée, utilisant l'attention self multi-têtes pour capturer les corrélations orbitales à longue portée.
   • Fonction : Le réseau apprend à partir des données échantillonnées quantiquement pour débruiter la distribution, reconstruire la fonction d'onde électronique complète et raffiner variationnellement les coefficients. Il comble efficacement les « lacunes » dans le sous-espace échantillonné et corrige les biais induits par le matériel, produisant une approximation non biaisée de l'état fondamental.

Contributions clés

• Ansatz USCI : Un ansatz novateur et compact, spécifiquement adapté à l'échantillonnage quantique plutôt qu'à l'optimisation variationnelle. Il échange l'exhaustivité contre la compacité, réduisant la profondeur du circuit et le nombre de portes tout en garantissant que le matériel quantique échantillonne le secteur le plus chimiquement dominant de l'espace de Hilbert.
• Flux de travail hybride : Une architecture en deux étapes qui exploite le matériel quantique pour l'« échantillonnage d'importance » de l'espace des déterminants et l'IA classique pour la « complétion de la fonction d'onde » et le raffinement. Cela évite les problèmes d'accumulation de bruit des circuits variationnels profonds.
• Factorisation de spin pour l'évolutivité : Pour les systèmes extrêmement grands, les auteurs emploient une approche factorisée en spin, partitionnant les canaux de spin $\alpha$ et $\beta$ en circuits quantiques séparés. Cela permet le traitement d'espaces actifs qui dépasseraient autrement la capacité en qubits ou la connectivité du matériel actuel.

Résultats
Le cadre a été validé sur le processeur quantique supraconducteur Zuchongzhi 3.1 (105 qubits) à travers trois références :

1. Anneau H₁₀ (20 qubits) :

   • Comparé à l'ansatz Coupled Cluster Unitaire Local avec Jastrow (LUCJ), l'ansatz USCI a produit une distribution significativement plus concentrée de chaînes de bits valides (256 uniques contre ~635 000 pour LUCJ) et a identifié avec succès les configurations physiques dominantes.
   • QiankunNet initialisé avec des échantillons USCI a atteint la précision chimique ($1,6 \times 10^{-3}$ Ha) des ordres de grandeur plus rapidement que l'initialisation aléatoire ou l'initialisation LUCJ.

2. Amas Ferredoxine [Fe₂S₂(SCH₃)₄]²⁻ (40 qubits) :

   • Simulation d'un espace actif de 30 électrons et 20 orbitales (40 orbitales de spin).
   • Le circuit USCI (profondeur logique 41, compilé 137) a généré ~10⁸ tirs, produisant ~34 500 déterminants uniques et cohérents par symétrie.
   • L'énergie finale a atteint la précision chimique ($1,12 \pm 0,30 \times 10^{-3}$ Ha) par rapport aux résultats DMRG extrapolés, surpassant nettement les méthodes classiques CCSD et CISD.

3. Amas P de la Nitrogénase (équivalent 146 qubits) :

   • Traitement d'un espace actif massif CAS(114e, 73o) (146 orbitales de spin) en utilisant des circuits USCI factorisés en spin sur deux registres de 73 qubits.
   • L'échantillonnage quantique a fourni un facteur d'enrichissement significatif (24×–60×) par rapport à un échantillonnage aléatoire uniforme pour les chaînes conservant les particules valides.
   • Après le raffinement par QiankunNet, l'erreur d'énergie a été réduite à environ 12–18 milli-Hartree de la meilleure extrapolation DMRG disponible, représentant l'un des plus grands calculs d'espace actif de chimie quantique démontrés sur du matériel supraconducteur à ce jour.

Signification et revendications
L'article affirme que QiankunNet-QSCI offre une voie pratique vers des calculs de structure électronique assistés par quantique précis sur les dispositifs NISQ actuels. En déplaçant le rôle du processeur quantique d'un optimiseur variationnel vers un échantillonneur ciblé, et en utilisant l'IA pour raffiner les données résultantes, le cadre contourne les limites de bruit et d'évolutivité qui ont jusqu'ici entravé les applications de la chimie quantique.

Les auteurs affirment que ce travail démontre que le matériel actuel, lorsqu'il est couplé à un traitement classique intelligent, peut résoudre des problèmes de corrélation forte chimiquement pertinents qui seraient autrement insolubles. Ils ne positionnent pas cela comme une capacité lointaine, mais comme une solution actuelle établissant des modèles architecturaux pour la découverte accélérée par quantique dans un avenir proche, en catalyse, découverte de médicaments et conception de matériaux. L'article conclut que l'évolutivité de cette approche est prometteuse, car le nombre de qubits requis évolue linéairement avec le nombre d'orbitales actives, contrairement à certaines méthodes de réseaux de tenseurs classiques où le coût croît de manière exponentielle avec l'intrication.