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

La quête de la compréhension du mouvement des électrons à travers les matériaux solides est l'un des défis les plus fondamentaux de la science moderne. Ces minuscules particules déterminent si une substance conduit l'électricité, brille par sa lumière ou devient un supraconducteur capable de transporter le courant sans résistance. Pour prédire ces comportements, les scientifiques s'appuient traditionnellement sur des simulations informatiques complexes qui résolvent des équations décrivant l'énergie de chaque électron dans un cristal. Bien que ces méthodes fonctionnent bien pour les petites molécules, elles deviennent incroyablement difficiles et lentes lorsqu'elles sont appliquées aux motifs répétitifs et infinis que l'on trouve dans les cristaux solides. Pendant des décennies, les chercheurs ont espéré que les ordinateurs quantiques pourraient résoudre ces problèmes naturellement, puisqu'ils opèrent selon les mêmes règles quantiques qui régissent les électrons. Cependant, un obstacle majeur est demeuré : avant qu'un ordinateur quantique ne puisse commencer son travail, les scientifiques doivent d'abord traduire le matériau physique en un format mathématique spécifique que la machine peut comprendre. Cette étape de traduction a été lente, coûteuse, et a nécessité qu'un expert humain ajuste manuellement les paramètres pour chaque nouveau matériau, bloquant ainsi la voie vers le test de milliers de substances différentes.

Une équipe de chercheurs de l'Université Johns Hopkins a désormais construit un pont pour franchir ce goulot d'étranglement. Ils ont développé un nouveau flux de travail qui combine un puissant modèle d'intelligence artificielle avec un algorithme quantique pour calculer les bandes d'énergie des matériaux solides. Au lieu de demander à un humain de construire manuellement la description mathématique pour chaque nouveau cristal, ils ont entraîné un réseau neuronal pour apprendre les règles du mouvement des électrons à travers le tableau périodique. Une fois entraîné, ce modèle d'IA peut générer instantanément la description mathématique nécessaire pour n'importe quel matériau composé de 65 éléments différents, des métaux simples aux composés complexes. Les chercheurs ont ensuite injecté ces descriptions générées par l'IA directement dans un algorithme quantique s'exécutant sur un véritable ordinateur quantique. Le résultat est un système capable de prédire les propriétés électroniques d'une grande variété de matériaux sans nécessiter de configuration manuelle lente, ouvrant la porte à l'examen de vastes bibliothèques de matériaux pour les technologies futures.

Le cœur de cette réussite réside dans le remplacement de l'ancienne méthode de construction de ces modèles mathématiques, laborieuse et chronophage. Auparavant, pour étudier un nouveau solide, un scientifique lançait une simulation lourde pour obtenir une image approximative, puis ajustait manuellement les paramètres pour correspondre aux données, un processus qui pouvait prendre des jours ou des semaines pour un seul matériau. La nouvelle approche utilise un outil appelé SlaKoNet, qui agit comme un traducteur universel. Il a été entraîné sur une base de données massive de matériaux connus pour apprendre comment les électrons sautent entre les atomes en fonction de leur distance et de leur type. Une fois cette phase d'apprentissage terminée, le modèle peut produire instantanément une carte mathématique fidèle pour toute nouvelle structure cristalline rencontrée. Cette carte est ensuite remise à un algorithme quantique connu sous le nom de déflation quantique variationnelle. Cet algorithme est conçu pour trouver les niveaux d'énergie d'un système, un peu comme on cherche les notes spécifiques qu'un instrument de musique peut jouer, mais il le fait en cherchant de manière itérative les états d'énergie les plus bas et en les « déflatant » ensuite pour trouver les suivants.

Pour tester si ce nouveau pipeline fonctionnait, les chercheurs l'ont d'abord appliqué au silicium, un matériau qui est le fondement de l'électronique moderne. Ils ont demandé au système de calculer toute la gamme de niveaux d'énergie du silicium à travers un chemin standard de sa structure interne. En utilisant un simulateur qui imite un ordinateur quantique avec trois qubits, le système a réussi à reproduire les huit bandes d'énergie avec une erreur moyenne de seulement 1,78 millielectronvolt. Ce niveau de précision est remarquablement proche des valeurs théoriques exactes, prouvant que la carte générée par l'IA était assez précise pour que l'ordinateur quantique puisse travailler. Les chercheurs ont ensuite franchi l'étape critique suivante : ils ont exécuté le même calcul sur un matériel quantique réel fourni par IBM. Ils se sont concentrés sur l'aluminium, un métal courant, et ont demandé à la machine de trouver son énergie d'état fondamental. Bien que le matériel réel introduise plus de bruit et d'erreurs que le simulateur parfait, le système a produit un résultat qui n'était qu'à environ 0,37 électronvolt de la valeur exacte. Cela a démontré que l'ensemble du processus, de la génération de la carte par l'IA à la résolution par l'ordinateur quantique, pouvait fonctionner sur des machines réelles et imparfaites disponibles aujourd'hui.

La véritable puissance de cette méthode, cependant, réside dans sa capacité de généralisation. Les chercheurs ne se sont pas arrêtés au silicium et à l'aluminium. Ils ont appliqué le même flux de travail à cinq autres matériaux, incluant plusieurs métaux qui deviennent des supraconducteurs à basse température et un composé céramique dur. Sans modifier les paramètres ou réentraîner le modèle, le système a généré avec succès les structures de bandes d'énergie pour tous ces matériaux. La précision est restée élevée, les erreurs restant inférieures à 1,8 millielectronvolt pour les matériaux plus complexes. Cela montre que le modèle d'IA a appris un ensemble de règles universelles qui s'appliquent à différents types de chimie, des métaux simples à électrons libres aux métaux de transition et aux nitrures. Cela signifie qu'un seul modèle pré-entraîné peut désormais servir de point de départ pour l'étude de milliers de matériaux différents, éliminant le besoin d'un expert humain pour construire un nouveau modèle pour chacun.

Au-delà des simples niveaux d'énergie, les chercheurs ont également exploré comment cette méthode pourrait aborder des problèmes plus difficiles où les électrons interagissent fortement entre eux. Dans de nombreux matériaux, le comportement d'un électron dépend fortement des autres, créant des effets complexes difficiles à simuler. L'équipe a montré que leur modèle généré par l'IA pouvait être mis à niveau pour inclure ces interactions et être ensuite résolu à l'aide d'une technique appelée théorie du champ moyen dynamique. Ils ont appliqué cela à un célèbre matériau à base de cuivre connu pour ses fortes corrélations électroniques. Le système a réussi à capturer l'affaiblissement de ces corrélations à mesure qu'ils descendent dans un groupe de métaux et a identifié le problème mathématique spécifique qu'un ordinateur quantique devrait résoudre pour comprendre le comportement du matériau. Cela suggère que le pipeline n'est pas seulement un outil pour des calculs simples, mais un cadre complet capable de guider les ordinateurs quantiques vers les problèmes les plus complexes de la science des matériaux.

Les implications de ce travail s'étendent bien au-delà des matériaux spécifiques testés. En supprimant l'étape de configuration manuelle, les chercheurs ont créé une voie pour le criblage à haut débit, où les algorithmes quantiques pourraient être testés contre des milliers de matériaux en une seule passe. Cela permet aux scientifiques d'étudier comment différents algorithmes quantiques se comportent à travers une large gamme d'environnements chimiques, ce qui était auparavant impossible en raison du temps requis pour préparer chaque entrée. De plus, comme l'ensemble du processus est différentiable, ce qui signifie que les étapes mathématiques peuvent être tracées à rebours pour voir comment les changements dans le matériau affectent le résultat final, cela ouvre la porte à l'optimisation simultanée de la conception du matériau et de l'algorithme quantique. Les chercheurs ont rendu leurs outils et leurs données publics, invitant d'autres personnes à bâtir sur cette fondation. Bien que les ordinateurs quantiques actuels soient encore limités par le bruit et le nombre de qubits qu'ils peuvent contrôler, ce travail démontre qu'une approche universelle pilotée par l'IA peut tirer le meilleur parti du matériel actuel. Il transforme l'ordinateur quantique, passant d'une machine qui nécessite une clé sur mesure pour chaque porte à un outil capable de déverrouiller une vaste bibliothèque de matériaux, accélérant ainsi la découverte de nouveaux supraconducteurs, semi-conducteurs et autres substances avancées.