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

La ricerca di capire come gli elettroni si muovano attraverso i materiali solidi è una delle sfide più fondamentali della scienza moderna. Queste minuscole particelle determinano se una sostanza conduce elettricità, emette luce o diventa un superconduttore capace di trasportare corrente senza resistenza. Per prevedere questi comportamenti, gli scienziati si affidano tradizionalmente a complesse simulazioni informatiche che risolvono equazioni descrivendo l'energia di ogni elettrone in un cristallo. Sebbene questi metodi funzionino bene per piccole molecole, diventano incredibilmente difficili e lenti quando applicati ai modelli ripetitivi e infiniti tipici dei cristalli solidi. Per decenni, i ricercatori hanno sperato che i computer quantistici potessero risolvere questi problemi naturalmente, poiché operano seguendo le stesse regole quantistiche che governano gli elettroli. Tuttavia, un ostacolo principale è rimasto: prima che un computer quantistico possa iniziare il suo lavoro, gli scienziati devono prima tradurre il materiale fisico in un formato matematico specifico che la macchina possa comprendere. Questo passaggio di traduzione è stato lento, costoso e ha richiesto a un esperto umano di regolare manualmente le impostazioni per ogni singolo nuovo materiale, bloccando di fatto la strada verso il test di migliaia di diverse sostanze.

Un team di ricercatori della Johns Hopkins University ha ora costruito un ponte attraverso questo collo di bottiglia. Hanno sviluppato un nuovo flusso di lavoro che combina un potente modello di intelligenza artificiale con un algoritmo quantistico per calcolare le bande di energia dei materiali solidi. Invece di chiedere a un essere umano di costruire manualmente la descrizione matematica per ogni nuovo cristallo, hanno addestrato una rete neurale a imparare le regole del movimento degli elettroni attraverso la tavola periodica. Una volta addestrato, questo modello di IA può generare istantaneamente la necessaria descrizione matematica per qualsiasi materiale composto da 65 elementi diversi, dai metalli semplici ai composti complessi. I ricercatori hanno poi inserito queste descrizioni generate dall'IA direttamente in un algoritmo quantistico in esecuzione su un vero computer quantistico. Il risultato è un sistema in grado di prevedere le proprietà elettroniche di una vasta gamma di materiali senza la necessità di una configurazione manuale lenta, aprendo la porta allo screening di vaste librerie di materiali per le tecnologie future.

Il cuore di questo traguardo risiede nel sostituire il vecchio metodo laborioso di costruzione di questi modelli matematici. Precedentemente, per studiare un nuovo solido, uno scienziata avrebbe eseguito una simulazione pesante per ottenere un'immagine approssimativa, per poi regolare manualmente i parametri per adattarli ai dati, un processo che poteva richiedere giorni o settimane per un singolo materiale. Il nuovo approccio utilizza uno strumento chiamato SlaKoNet, che funge da traduttore universale. È stato addestrato su un enorme database di materiali noti per imparare come gli elettroni saltino tra gli atomi in base alla loro distanza e al loro tipo. Una volta completata questa fase di apprendimento, il modello può produrre istantaneamente una mappa matematica fedele per qualsiasi nuova struttura cristallina incontri. Questa mappa viene poi consegnata a un algoritmo quantistico noto come "variational quantum deflation" (deflazione quantistica variazionale). Questo algoritmo è progettato per trovare i livelli di energia di un sistema, proprio come cercare di trovare le note specifiche che uno strumento musicale può suonare, ma lo fa cercando iterativamente gli stati di energia più bassa e poi "deflatandoli" per trovare i successivi.

Per testare se questo canale funzionasse, i ricercatori hanno prima applicato il metodo al silicio, un materiale che è la base dell'elettronica moderna. Hanno chiesto al sistema di calcolare l'intera gamma di livelli energetici del silicio attraverso un percorso standard nella sua struttura interna. Utilizzando un simulatore che imita un computer quantistico con tre qubit, il sistema è riuscito a riprodurre tutte le otto bande di energia con un errore medio di soli 1,78 millielettronvolt. Questo livello di precisione è sorprendentemente vicino ai valori teorici esatti, dimostrando che la mappa generata dall'IA era abbastanza accurata affinché il computer quantistico potesse lavorarci. I ricercatori hanno poi compiuto il passo successivo critico: hanno eseguito lo stesso calcolo su un vero hardware quantistico fornito da IBM. Si sono concentrati sull'alluminio, un metallo comune, e hanno chiesto alla macchina di trovare la sua energia dello stato fondamentale. Sebbene l'hardware reale introducesse più rumore ed errori rispetto al simulatore perfetto, il sistema ha comunque prodotto un risultato che era solo di circa 0,37 elettronvolt dal valore esatto. Ciò ha dimostrato che l'intero processo, dall'IA che genera la mappa al computer quantistico che risolve il problema, poteva funzionare su macchine reali e imperfette come quelle disponibili oggi.

Il vero potere di questo metodo, tuttavia, è la sua capacità di generalizzare. I ricercatori non si sono fermati a silicio e alluminio. Hanno applicato lo stesso identico flusso di lavoro a cinque altri materiali, inclusi diversi metalli che diventano superconduttori a basse temperature e un composto ceramico duro. Senza cambiare le impostazioni o riaddestrare il modello, il sistema ha generato con successo le strutture a bande di energia per tutti loro. L'accuratezza è rimasta alta, con errori inferiori a 1,8 millielettronvolt per i materiali più complessi. Ciò dimostra che il modello di IA ha appreso un insieme universale di regole che si applicano a diversi tipi di chimica, dai metalli semplici a elettroni liberi ai metalli di transizione e ai nitruri. Significa che un singolo modello pre-addestrato può ora servire come punto di partenza per lo studio di migliaia di materiali diversi, eliminando la necessità di un esperto umano per costruire un nuovo modello per ciascuno di essi.

Andando oltre i semplici livelli energetici, i ricercatori hanno anche esplorato come questo metodo potesse affrontare problemi più difficili in cui gli elettroni interagiscono fortemente tra loro. In molti materiali, il comportamento di un elettrone dipende fortemente dagli altri, creando effetti complessi difficili da simulare. Il team ha dimostrato che il loro modello generato dall'IA può essere aggiornato per includere queste interazioni e poi risolto utilizzando una tecnica chiamata teoria del campo medio dinamico (dynamical mean-field theory). Lo hanno applicato a un famoso materiale a base di rame noto per le sue forti correlazioni elettroniche. Il sistema ha catturato con successo l'indebolimento di queste correlazioni mentre si muovevano lungo un gruppo di metalli e ha identificato il problema matematico specifico che un computer quantistico avrebbe dovuto risolvere per comprendere il comportamento del materiale. Ciò suggerisce che il canale non è solo uno strumento per calcoli semplici, ma un framework completo che può guidare i computer quantistici verso i problemi più impegnativi della scienza dei materiali.

Le implicazioni di questo lavoro si estendono ben oltre i materiali specifici testati. Rimuovendo la fase di configurazione manuale, i ricercatori hanno creato una via per lo screening ad alto rendimento (high-throughput screening), dove gli algoritmi quantistici potrebbero essere testati contro migliaia di materiali in un unico passaggio. Ciò consente agli scienziati di studiare come diversi algoritmi quantistici si comportano in una vasta gamma di ambienti chimici, qualcosa che era precedentemente impossibile a causa del tempo richiesto per preparare ogni input. Inoltre, poiché l'intero processo è differenziabile, ovvero i passaggi matematici possono essere tracciati a ritroso per vedere come i cambiamenti nel materiale influenzano il risultato finale, ciò apre la porta all'ottimizzazione simultanea sia del design del materiale che dell'algoritmo quantistico. I ricercatori hanno reso i loro strumenti e dati disponibili al pubblico, invitando altri a costruire su questa base. Sebbene gli attuali computer quantistici siano ancora limitati dal rumore e dal numero di qubit che si possono controllare, questo lavoro dimostra che un approccio universale guidato dall'IA può fare il miglior uso dell'hardware odierno. Trasforma il computer quantistico da una macchina che richiede una chiave costruita su misura per ogni porta in uno strumento che può sbloccare una vasta libreria di materiali, accelerando la scoperta di nuovi superconduttori, semiconduttori e altre sostanze avanzate.