Quantum Wavefunction Augmentation via Variational Autoencoders

Nella ricerca di come la materia tenga insieme se stessa, gli scienziati si sono a lungo affidati a uno strumento potente ma limitato: la capacità di calcolare il comportamento degli elettroni all'interno di una molecola. Questo è il dominio della chimica quantistica, un campo in cui l'obiettivo è prevedere l'energia e la struttura di atomi e molecole risolvendo le equazioni fondamentali della meccanica quantistica. Per sistemi semplici, questi calcoli sono diretti. Tuttavia, man mano che le molecole diventano più grandi o i loro elettroni diventano altamente intrecciati — uno stato noto come correlazione forte — il numero di possibili configurazioni elettroniche esplode in trilioni, quadrilioni o più. I computer tradizionali, anche i supercomputer più potenti, si scontrano con un muro quando affrontano questa esplosione combinatoria, essendo incapaci di tracciare ogni possibile configurazione.

Per aggirare questo limite, i ricercatori si sono rivolti a un approccio ibrido che combina le uniche capacità di campionamento dei computer quantistici con la potenza di elaborazione bruta delle macchine classiche. L'idea è quella di utilizzare un dispositivo quantistico per generare un piccolo set rappresentativo di configurazioni elettroniche, o "determinanti", e poi utilizzare un computer classico per raffinare ed espandere questo elenco. Sebbene promettente, questo metodo ha incontrato difficoltà negli scenari più difficili, come quando i legami chimici si rompono o quando si trattano metalli di transizione. In questi regimi, il vero stato della molecola è nascosto in una vasta "coda" di configurazioni rare ma importanti che i campionamenti quantistici finiti spesso perdono. Se l'elenco iniziale di configurazioni è incompleto, il calcolo finale rimane impreciso, indipendentamente da quanta elaborazione classica venga applicata successivamente.

Un team di ricercatori dell'Istituto Indiano di Tecnologia di Bombay ha introdotto una nuova strategia per risolvere questo problema, colmando il divario tra il campionamento quantistico e la precisione classica. Hanno sviluppato un metodo chiamato Q-WAVE, che utilizza un tipo di intelligenza artificiale nota come autoencoder variazionale per apprendere la struttura sottostante della nuvola elettronica di una molecola. Invece di fare affidamento esclusivamente sui limitati istantanee forniti da un computer quantistico o sulle rigide regole della chimica classica, il sistema apprende la "forma" della funzione d'onda — la descrizione matematica degli elettroni — da un piccolo seme di dati. Utilizza poi questa comprensione appresa per generare nuove configurazioni elettroniche altamente probabili che il computer quantistico non ha mai effettivamente misurato.

Il processo inizia raccogliendo un set fondamentale di dati da due fonti: un computer quantistico che esegue un circuito specifico progettato per campionare gli stati elettronici rilevanti, e un computer classico che esegue un'approssimazione standard per generare un elenco di base di configurazioni. Questi due set vengono combinati per formare un dataset di addestramento per il modello di intelligenza artificiale. Il modello è addestrato per comprimere questi dati complessi in uno spazio matematico continuo dove configurazioni chimicamente simili si trovano vicine tra loro. Una volta addestrato, il modello non si limita a ripetere ciò che ha visto; esplora questo spazio matematico per proporre configurazioni elettroniche completamente nuove. Utilizza due strategie distinte: una che esplora regioni di possibilità completamente nuove, e un'altra che si concentra sul raffinamento dei quartieri delle configurazioni più importanti già note.

Queste configurazioni appena generate vengono quindi testate. I ricercatori le aggiungono al loro elenco crescente di configurazioni ed eseguono un calcolo classico per vedere se l'energia totale della molecola diminuisce. Se il nuovo elenco fornisce un'energia più bassa e accurata, viene mantenuto; altrimenti, viene scartato. Questo ciclo si ripete, con l'intelligenza artificiale che apprende continuamente dai migliori risultati e propone candidati migliori, espandendo lentamente l'elenco fino a convergere su una descrizione altamente accurata dello stato fondamentale della molecola. Fondamentalmente, il metodo include un passaggio finale che tiene conto delle interazioni deboli e minuscole che l'elenco principale potrebbe perdere, garantendo la massima precisione possibile.

I ricercatori hanno testato questo approccio su diverse molecole, che vanno dall'acqua e l'azoto all'etilene e a un particolarmente difficile dimero di cromo. Per l'acqua e l'azoto, il metodo ha raggiunto l'accuratezza chimica — uno standard di precisione in cui gli errori sono inferiori a un millesimo di elettronvolt — utilizzando una frazione dei dati richiesti dai metodi precedenti. Nel caso dell'etilene, una molecola con un numero enorme di possibili configurazioni elettroniche, il nuovo metodo ha avuto successo dove altri hanno fallito, raggiungendo un'alta accuratezza con una quantità gestibile di dati. Il test più rigoroso è arrivato con il dimero di cromo, un sistema noto per la sua estrema complessità. Qui, il metodo ha navigato con successo nel vasto spazio delle possibilità, raggiungendo l'accuratezza chimica dopo un passaggio di correzione finale, un risultato che altri metodi incentrati sul quantum non potevano raggiungere senza scontrarsi con i limiti computazionali.

Un risultato chiave dello studio è che il modello di intelligenza artificiale non è solo un modo più veloce per indovinare; è essenziale per trovare le risposte corrette nei sistemi complessi. Quando i ricercatori hanno sostituito il modello addestrato con un semplice generatore casuale, il metodo non è riuscito a migliorare i risultati, fermandosi a un livello di energia molto più alto. Ciò ha dimostrato che il modello aveva genuinamente appreso le relazioni strutturali tra le configurazioni elettroniche, permettendogli di navigare il panorama chimico in modo più efficace rispetto al caso casuale o alle rigide regole classiche. Inoltre, lo studio ha dimostrato che combinare i campioni quantistici con i dati classici era più potente rispetto all'uso di una sola delle due fonti, suggerendo che il futuro del calcolo quantistico non risiede nell'aspettare macchine perfette e prive di rumore, ma nell'unire intelligentemente dati quantistici imperfetti con l'apprendimento classico.

I risultati suggeriscono una nuova strada per il supercomputing incentrato sul quantum. Piuttosto che cercare di misurare ogni stato possibile di una molecola, il che è impossibile per i sistemi grandi, l'attenzione si sposta sull'apprendere la struttura della funzione d'onda da un numero limitato di campioni altamente informativi. Utilizzando l'apprendimento automatico per espandere un piccolo set campionato dall'hardware in una rappresentazione compatta e accurata, i ricercatori hanno dimostrato che è possibile risolvere alcuni dei problemi più impegnativi della chimica. Questo approccio non richiede di aspettare computer quantistici tolleranti ai guasti; funziona con i dispositivi rumorosi disponibili oggi, trasformando i loro limiti in un punto di partenza gestibile per un potente motore di scoperta ibrido.