QBM: A Quantum Bayesian Machine for Relaxed Energy Prediction on Metal-Oxide Catalysts

तकनीकी सारांश: QBM: मेटल-ऑक्साइड इलेक्ट्रोकैटालिस्ट्स पर रिलैक्स्ड एनर्जी प्रेडिक्शन के लिए एक क्वांटम बेयसियन मशीन

समस्या विवरण
डेन्सिटी फंक्शनल थ्योरी (DFT) का उपयोग करके ऑक्साइड कैटालिस्ट्स के लिए रिलैक्स्ड टोटल एनर्जी की भविष्यवाणी करना कम्प्यूटेशनल रूप से महंगा है, जिसके लिए सरोगेट के रूप में मशीन लर्निंग इंटरएटोमिक पोटेंशियल (MLIPs) की आवश्यकता होती है। जबकि क्लासिकल इक्विवेरिएंट ग्राफ न्यूरल नेटवर्क (GNNs) ने मजबूत बेसलाइन स्थापित की है, इस क्षेत्र में क्वांटम सर्किटों की उपयोगिता अभी भी अस्पष्ट है। विशेष रूप से, यह अनिश्चित है कि क्या क्वांटम-परिभाषित घटक—जैसे कि फीचर मैप्स, सबसेट सेलेक्टर्स, या वेरिएशनल सर्किट्स—मैच्ड क्लासिकल कंट्रोल्स की तुलना में वास्तविक इंडक्टिव बायस या सर्च एडवांटेज प्रदान करते हैं, या क्या देखे गए अंतर केवल कैंडिडेट प्रूनिंग, जेनेरिक नॉन-लिनियरिटी, या वैलिडेशन पुन: उपयोग को दर्शाते हैं। यह अध्ययन एक फिक्स्ड-डिस्क्रिप्टर फ्रेमवर्क के भीतर क्वांटम घटकों को अलग करके, ओपन कैटलिस्ट 2022 (OC22) IS2RE-Total कार्य पर एक क्वांटम बेयसियन मशीन (QBM) का मूल्यांकन करके इस अंतराल को संबोधित करता है।

कार्यप्रणाली
QBM आर्किटेक्चर एक मॉड्यूलर, स्पार्स सरोगेट है जो स्ट्रक्चरल एनकोडिंग, सबसेट सिलेक्शन, रिग्रेशन और रेसिडुअल करेक्शन को अलग करता है। अध्ययन फिक्स्ड स्ट्रक्चरल डिस्क्रिप्टर्स (चेबिशेव पॉलिनोमिअल्स के माध्यम से प्रोजेक्ट किए गए एटम-सेंटर्ड रेडियल, एंगुलर और टॉर्सनल डिस्ट्रीबशंस) और डेटा पार्टिशन को बनाए रखता है, और केवल डाउनस्ट्रीम कम्प्यूटेशनल घटकों को बदलता है। वर्कफ़्लो पांच चरणों में आगे बढ़ता है:

1. डिस्क्रिप्टर कंस्ट्रक्शन: एटम-सेंटर्ड फीचर्स को एक ग्लोबल वेक्टर और एक लोकैलिटी-वेटेड एडसोर्बेट वेक्टर में पूल किया जाता है, फिर उन्हें एक फिक्स्ड डायमेंशन ($p=16$) तक PLS के माध्यम से प्रोजेक्ट किया जाता है।
2. कंपोजिशन बेसलाइन: एक रिज रिग्रेशन मॉडल डोमिनेंट कंपोजिशन डिपेंडेंस को हटा देता है।
3. सबसेट सिलेक्शन: अध्ययन दो सेलक्टर्स की तुलना करता है:
   • बेसलाइन: सभी $2^{16}-1$ नॉन-एम्प्टी सबसेट्स का एग्जॉस्टिव एन्यूमरेशन।
   • क्वांटम (QAOA): एक क्वांटम एप्रोक्सिमेट ऑप्टिमाइजेशन एल्गोरिदम (QAOA), जो सिंगलटन और पेयर फिट्स से प्राप्त QUBO सरोगेट को ऑप्टिमाइज़ करके बाइनरी सबसेट्स का प्रस्ताव देता है।
4. रिग्रेशन: चयनित सबसेट्स को या तो निम्नलिखित का उपयोग करके फिट किया जाता है:
   • क्लासिकल रेडियल बेसिस फंक्शन (RBF) कर्नेल्स।
   • सटीक स्टेट-वेक्टर ओवरलैप्स से प्राप्त क्वांटम फिडेलिटी कर्नेल्स (Z और ZZ मैप्स)।
5. रेसिडुअल लर्निंग: टॉप-$k$ सबसेट मॉडल्स के एक एन्सेम्बल को संयोजित किया जाता है, और एक अंतिम रेसिडुअल करेक्शन सीखा जाता है। यह लर्नर या तो एक लीनियर गॉसियन प्रोसेस (रिज इक्विवेलेंट) है या एक वेरिएशनल डेटा-री-अपलोडिंग सर्किट है।
   सभी प्रयोग CPU पर सटीक लोकल स्टेट-वेक्टर सिमुलेशन का उपयोग करके किए गए थे। किसी क्वांटम हार्डवेयर का उपयोग नहीं किया गया था। अध्ययन एक "मैच्ड कंट्रोल" अनुशासन का उपयोग करता है, जहाँ घटकों की तुलना जोड़ों में की जाती है (जैसे, QAOA बनाम एन्यूमरेशन, फिडेलिटी कर्नेल बनाम RBF) जबकि अन्य वेरिएबल्स को स्थिर रखा जाता है।

प्रमुख योगदान

• कंपोनेंट-लेवल एट्रिब्यूशन: पेपर एक नियंत्रित क्लासिकल पाइपलाइन के भीतर विशिष्ट क्वांटम घटकों (सेलक्टर्स, कर्नेल्स, रेसिडुअल लर्नर्स) के परीक्षण के लिए एक प्रलेखित फ्रेमवर्क प्रदान करता है, जो एंड-टू-एंड एटोमिस्टिक लर्निंग से क्वांटम सर्च/रिप्रेजेंटेशन को स्पष्ट रूप से अलग करता है।
• सर्च ह्यूरिस्टिक के रूप में QAOA: यह प्रदर्शित करता है कि QAOA एक CPU-सिमुलेटेड वर्कफ़्लो में फिट किए गए कैंडिडेट सबसेट्स (65,535 से 333 तक) और सिलेक्शन टाइम (323s से 22s तक) को कम कर सकता है, हालांकि यह कमी एक सुसंगत प्रेडिक्टिव एडवांटेज में परिवर्तित नहीं होती है।
• स्पेक्ट्रल डायग्नोस्टिक्स: यह अध्ययन फिडेलिटी-कर्नेल प्रभावी रैंक और वैलिडेशन एरर के बीच संबंध स्थापित करने वाले डायग्नोस्टिक्स पेश करता है, यह देखते हुए कि कर्नेल स्केल बढ़ाने से ग्राम मैट्रिक्स एक हाई-रैंक रिजीम की ओर बढ़ता है जहाँ वैलिडेशन एरर बढ़ जाता है, जो क्वांटम कर्नेल्स में ज्ञात कंसंट्रेशन फेनोमेना के अनुरूप है।
• रिप्रोड्यूसिबिलिटी बाउंड्रीज: पेपर स्पष्ट रूप से रिप्रोड्यूसिबिलिटी की सीमाओं को प्रलेखित करता है, यह नोट करते हुए कि हालांकि एग्रीगेट मेट्रिक्स उपलब्ध हैं, मूल रन कॉन्फ़िगरेशन, कैंडिडेट आइडेंटिटीज़ और विशिष्ट फिट्स के लिए रॉ लॉग्स को पूरी तरह से आर्काइव नहीं किया गया है, जिससे सभी रिपोर्ट किए गए परिणामों का स्वतंत्र पुनर्निर्माण बाधित होता है।

परिणाम

• सबसेट सिलेक्शन: QAOA वर्कफ़्लो ने काफी कम उम्मीदवारों (333 बनाम 65,535) को फिट किया और यह तेज़ था। हालांकि, चयनित QAOA सबसेट एन्यूमिरेटेड ऑप्टिमम से केवल एक हैमिंग स्टेप दूर था। परिणामी MAE ने मिश्रित परिवर्तन दिखाए: इन-डोमेन (ID) एरर में मामूली वृद्धि (+0.00172 eV/atom) और आउट-ऑफ-डोमेन (OOD) एरर में कमी (-0.00253 eV/atom)। कोई सुसंगत प्रेडिक्टिव एडवांटेज स्थापित नहीं हुआ।
• फिडेलिटी कर्नेल्स: एक चयनित ZZ फिडेलिटी कर्नेल ने छह फिट्स में पेयर्ड लीनियर रिज कंट्रोल की तुलना में ID MAE को औसतन 0.00433 eV/atom कम किया। हालांकि, यह लाभ OOD वैलिडेशन में ट्रांसफर नहीं हुआ, जहाँ छह में से पाँच मामलों में रिज बेहतर प्रदर्शन करता है। परिणाम बताते हैं कि सुधार वैलिडेशन-विशिष्ट है न कि एक सामान्य क्वांटम इंडक्टिव बायस।
• वेरिएशनल री-अपलोडिंग: एक ट्रेन करने योग्य री-अपलोडिंग सर्किट ने पांच सीड्स में लीनियर रिज मॉडल की तुलना में औसतन केवल 0.00128 eV/atom की ID MAE कमी दिखाई, जिसमें एरर रेंज ओवरलैप हो रही थी। अध्ययन नोट करता है कि इन एब्लेशन के लिए रेसिडुअल टारगेट्स को एक "रिड्यूस्ड प्रोफाइल" के तहत बनाया गया था जिसमें कैनोनिकल क्रॉस-फिटिंग को छोड़ दिया गया था, जिससे रेसिडुअल-लर्निंग एडवांटेज पर निर्णायक निष्कर्ष निकालना असंभव हो गया।
• कुल प्रदर्शन: कोई भी क्वांटम वेरिएंट दोनों (ID और OOD स्प्लिट्स) पर क्लासिकल बेसलाइन से लगातार बेहतर प्रदर्शन नहीं कर सका। देखे गए बदलाव अक्सर कम्प्यूटेशनल सीड नॉइज़ की सीमा के भीतर थे।

महत्व और दावे
पेपर विनम्रतापूर्वक दावा करता है कि QBM एक कंपोनेंट-लेवल इवैल्यूएशन फ्रेमवर्क के रूप में कार्य करता है, न कि क्वांटम एडवांटेज के प्रदर्शन के रूप में। प्राथमिक महत्व निम्नलिखित में निहित है:

1. घटक व्यवहार को सीमित करना: यह स्थापित करता है कि आदर्श स्थानीय सिमुलेशन के तहत, सर्किट-परिभाषित सर्च और रिप्रेजेंटेशन वर्तमान में इस विशिष्ट कार्य के लिए मैच किए गए क्लासिकल कंट्रोल्स की तुलना में सामान्य सटीकता या कम्प्यूटेशनल लाभ प्रदान नहीं करते हैं।
2. सर्किट्स की भूमिका को परिभाषित करना: यह तर्क देता है कि इस संदर्भ में क्वांटम सर्किटों को इक्विवेरिएंट GNN पोटेंशियल या एंड-टू-एंड एटोमिस्टिक लर्निंग के विकल्प के रूप में नहीं, बल्कि वैकल्पिक सबसेट प्रस्तावों और समानता ज्यामिति (similarity geometries) के परीक्षण के रूप में देखा जाना चाहिए।
3. मेथोडोलॉजिकल रिगर: यह स्पष्ट रूप से सिमुलेशन को हार्डवेयर निष्पादन से अलग करके और लॉक किए गए पार्टिशन, बजट-मैच्ड कंट्रोल्स और पूर्ण आर्टिफैक्ट आर्काइविंग की आवश्यकता की पहचान करके, मटेरियल साइंस में भविष्य के परीक्षणों के लिए एक मानक स्थापित करता है।

लेखक निष्कर्ष निकालता है कि IS2RE-Total के परिणाम क्वांटम-विशिष्ट प्रेडिक्टिव लाभ स्थापित नहीं करते हैं। भविष्य के कार्यों के लिए मैच किए गए क्लासिकल कंट्रोल्स, हार्डवेयर निष्पादन अध्ययन, और प्रति-स्ट्रक्चर प्रेडिक्शन और कैंडिडेट आइडेंटिटीज़ के संरक्षण की आवश्यकता है ताकि यह कठोरता से परखा जा सके कि क्या सर्किट-परिभाषित इंडक्टिव बायस वितरण बदलाव (distribution shifts) और शोर (noise) के बीच जीवित रह सकते हैं।