Transformer refined quantum sampling for strongly correlated electronic structure

本論文は、Zuchongzhi 3.1 プロセッサ上で実行される効率的なユニタリ選択配置相互作用アンサッツとトランスフォーマー型ニューラルネットワークを組み合わせ、現在のノイズあり中規模量子デバイス上で [2Fe-2S] フェレドキシンや窒素固定酵素の P クラスタのような強相関系に対して電子波動関数を正確に再構成し、化学精度を達成するハイブリッド量子古典フレームワークである QiankunNet-QSCI を紹介する。

要約

宇宙全体ほどの大きさの干し草の山から、たった一本の完璧な針を見つけることを想像してみてください。鉄・硫黄クラスターや、植物が肥料を作るのを助ける酵素などに存在する複雑な分子における電子の振る舞いを計算しようとする際、科学者たちが直面しているのが本質的にこれです。「干し草の山」とは、電子が取りうる無数の配置のことであり、「針」とは、分子の真の安定状態を表す唯一の特定の配置のことです。

本論文は、その針を以前よりもはるかに迅速かつ正確に見つけるために機能する、超スマートなハイブリッド・チームと呼ばれる新しい手法「QiankunNet-QSCI」を紹介しています。その仕組みを簡単なステップに分解して以下に示します。

1. 課題：ノイズが多すぎて、明確さが不足している

過去、科学者たちはこの問題を解決するために量子コンピュータの活用を試みました。しかし、現在の量子コンピュータは「ノイズの多い」ラジオのようで、信号を埋もれさせる多くの雑音（誤差）を受信してしまいます。ノイズの多い量子コンピュータに干し草の山全体を見るよう指示すると、それはしばしば単なるランダムな干し草の塊を返すだけで、時間とエネルギーを浪費してしまいます。

2. 解決策：「探索と精査」の 2 段階チーム

著者らは、この問題を解決するために量子コンピュータと強力な人工知能（AI）とのパートナーシップを構築しました。これを**「偵察員」と「地図製作者」**の連携と想像してください。

ステップ 1：偵察員（量子コンピュータ）

量子コンピュータに一度に問題全体を解かせる（現時点では誤差なく行うことは不可能です）のではなく、それを焦点を絞った偵察員として活用します。

• 工夫点: 彼らは量子コンピュータ向けに、特別に設計された非常に短い「地図」（USCI アンサッツと呼ばれる）を作成しました。この地図は、コンピュータに干し草の山のごく広大な空っぽの部分を無視させ、針が隠れている可能性が最も高い小さな領域だけを見るよう指示します。
• 結果: 実際の量子コンピュータ（Zuchongzhi 3.1）において、この偵察員はノイズを効果的に無視し、「候補となる針」（特定の電子配置）の小さく高品質なリストを見事に発見しました。完璧な答えを直接見つけたわけではありませんが、答えが存在する正しい地域を見つけ出しました。

ステップ 2：地図製作者（AI トランスフォーマー）

量子コンピュータがこの小さく高品質な候補リストを引き渡すと、AI（QiankunNet） が引き継ぎます。

• 役割: AI は、偵察員の粗いスケッチを見て、欠落した詳細をすべて埋め込む熟練の地図製作者のようです。これは現代のチャットボットの背後にある技術と同じであるトランスフォーマーと呼ばれる高度な AI 技術を用いて、電子間の複雑な関係を理解します。
• 魔法: AI はデータを「ノイズ除去」（量子コンピュータが犯した誤りを修正）し、「再構築」して完全な図を描き出します。小さな候補リストを受け取り、数学的にそれを拡張することで、驚異的な精度で電子の完全かつ完璧な配置を予測します。

3. 結果：「不可能」の解決

チームはこの手法を、非常に困難な 2 つの化学パズルでテストしました。

1. 鉄・硫黄クラスター（[2Fe-2S]）: これは生物の中に存在する微小な生体機械です。チームは、40 量子ビットの量子コンピュータを用いて、その電子構造を「化学的精度」（実用的な化学に役立つほど正確な答え）で解明しました。これは、従来の手法ではそのようなデバイスでこれを正しく解くことが困難だったことを考えると、大きなマイルストーンです。
2. 窒素固定酵素 P クラスター: これは肥料の生成に関与する、より大きく複雑な分子です。彼らはこの手法を 114 個の電子を持つ巨大な系に適用しました。量子コンピュータ単独では全体を解くことができませんでしたが、このハイブリッド・チームは、理論的に可能な最良の結果に極めて近い答えを導き出しました。

全体像

本論文は、この手法が、有用な化学作業を行うために「完璧な」量子コンピュータができるまで待つ必要がないことを証明していると主張しています。量子コンピュータを正しい出発点を見つけるためにのみ使用し、精査という重労働を AI に任せることで、今日でも複雑な分子問題を解決できるのです。

要約すると: 量子コンピュータはノイズを切り裂いて正しい場所を見つけるスマートな懐光灯として機能し、AI はその場所を用いて分子の完全かつ正確な絵を描き出す天才的な芸術家として機能します。

技術概要

技術概要：強相関電子構造のためのトランスフォーマー精緻化量子サンプリング

問題定義
遷移金属クラスターなどの強相関電子系の正確なシミュレーションは、計算化学における中心的な課題のままです。古典的手法は重大な限界に直面しています：密度汎関数理論（DFT）は、多参照問題における非局在化と静的相関誤差のためにしばしば失敗し、一方、密度行列再正規化群（DMRG）のような高度な波動関数手法は、結合次元が指数関数的に増大しなければならない高次元活性空間におけるスケーラビリティに苦慮しています。対照的に、量子計算は量子重ね合わせと量子もつれを通じて厳密解への理論的経路を提供しますが、現在のノイズあり中規模量子（NISQ）デバイスは、短いコヒーレンス時間、高い誤り率、そして表現力がありながらハードウェア効率的なアンサッツの設計の難しさによって阻害されています。既存のハイブリッドアプローチ、例えば変分量子固有値ソルバー（VQE）や量子選択配置相互作用（QSCI）は、特定のボトルネックに悩まされています：VQE は barren plateaus（平坦な盆地）と最適化の困難さに直面し、標準的な QSCI はしばしば冗長または重みの低い配置のサンプリングに量子リソースを浪費し、収束の遅さとノイズ支配の尾部をもたらしています。

手法：QiankunNet-QSCI
著者らは、量子ハードウェアと古典的機械学習の役割を分離することでこれらのボトルネックを克服するように設計されたハイブリッド量子 - 古典フレームワーク QiankunNet-QSCI を提案します。ワークフローは 2 つの明確な段階で動作します：

1. 焦点型量子サンプリング（USCI アンサッツ）：
   量子プロセッサを完全な変分固有値ソルバーとして使用する代わりに、「焦点型決定子サンプリング」として利用します。著者らは、量子サンプリングのために特別に設計された ユニタリー選択配置相互作用（USCI） アンサッツを導入します。

   • 設計原則： USCI アンサッツは、完全なヒルベルト空間のカバレッジよりも、コンパクト性と化学的関連性を優先します。これは、まず低コストの古典的プレスクリーニング（例えば CISD または半確率的 HCI を通じて）を実行して、化学的に重要な決定子のコンパクトな集合を特定することによって構築されます。
   • 回路構築： アンサッツは、プレスクリーニングされた集合から導出された軌道回転と選択された励起演算子で構成されるユニタリー演算子を利用し、Jordan-Wigner 変換を通じて量子ビットにマッピングされます。重要なのは、この回路が浅く、ハードウェア効率的に設計されており、支配的な励起に関連する量子ビットのサブセットのみに作用するように設計されていることです。
   • 実行： 量子プロセッサ（Zuchongzhi 3.1）は USCI 回路を実行してビット列の分布を生成します。これらは対称性でフィルタリングされ、物理的に有効な配置（正しい粒子数とスピン）のみを保持し、集中した化学的に関連する部分空間を定義します。

2. 古典的精緻化（QiankunNet）：
   疎ですが重要な量子サンプルは、トランスフォーマーベースのニューラルネットワークである QiankunNet に入力されます。

   • アーキテクチャ： QiankunNet は、振幅/位相分離ヘッドを備えたデコーダーのみのトランスフォーマーアーキテクチャを利用します。スレーター決定子の占有文字列を入力系列として処理し、マルチヘッド自己注意機構を用いて長距離の軌道相関を捕捉します。
   • 機能： このネットワークは、量子サンプリングされたデータから学習して分布のノイズ除去を行い、完全な電子波動関数を再構築し、変分的に係数を精緻化します。これは効果的にサンプリングされた部分空間の「隙間を埋め」、ハードウェア起因のバイアスを補正し、基底状態の偏りのない近似をもたらします。

主要な貢献

• USCI アンサッツ： 変分最適化ではなく、量子サンプリングに特化した新規のコンパクトなアンサッツ。完全性をコンパクト性と引き換えにすることで、回路深度とゲート数を削減しつつ、量子ハードウェアがヒルベルト空間の最も化学的に支配的なセクターをサンプリングすることを保証します。
• ハイブリッドワークフロー： 決定子空間の「重要度サンプリング」のために量子ハードウェアを利用し、「波動関数の完成」と精緻化のために古典的 AI を利用する 2 段階アーキテクチャ。これにより、深い変分回路におけるノイズ蓄積の問題を回避します。
• スケーラビリティのためのスピン因数分解： 極めて大規模な系に対して、著者らはスピン因数化アプローチを採用し、$\alpha$ スピンチャネルと $\beta$ スピンチャネルを個別の量子回路に分割します。これにより、現在のハードウェアの量子ビット容量や接続性を超過するはずの活性空間の処理を可能にします。

結果
このフレームワークは、3 つのベンチマークにわたって超伝導量子プロセッサ Zuchongzhi 3.1（105 量子ビット）上で検証されました：

1. H₁₀ 環（20 量子ビット）：

   • Local Unitary Coupled Cluster with Jastrow (LUCJ) アンサッツと比較して、USCI アンサッツは、有効なビット列の分布が著しく集中した結果（LUCJ の約 635,000 に対して 256 の一意のビット列）を生み出し、支配的な物理的配置を正常に特定しました。
   • USCI サンプルで初期化された QiankunNet は、ランダム初期化や LUCJ 初期化よりも桁違いに速く化学的精度（$1.6 \times 10^{-3}$ Ha）に到達しました。

2. [Fe₂S₂(SCH₃)₄]²⁻ フレドキシンクラスター（40 量子ビット）：

   • 30 電子、20 軌道の活性空間（40 スピン軌道）をシミュレートしました。
   • USCI 回路（論理深度 41、コンパイル済み 137）は約 $10^8$ ショットを生成し、約 34,500 の一意の対称性整合的な決定子をもたらしました。
   • 最終的なエネルギーは、外挿された DMRG 結果に対して 化学的精度（$1.12 \pm 0.30 \times 10^{-3}$ Ha）を達成し、古典的な CCSD や CISD 手法を大幅に上回りました。

3. 窒素固定酵素 P-クラスター（146 量子ビット相当）：

   • 2 つの 73 量子ビットレジスター上のスピン因数化 USCI 回路を使用して、巨大な CAS(114e, 73o) 活性空間（146 スピン軌道）に対処しました。
   • 量子サンプリングは、有効な粒子保存文字列に対して一様ランダムサンプリングよりも有意なエンリッチメント因子（24 倍～60 倍）を提供しました。
   • QiankunNet による精緻化の後、エネルギー誤差は利用可能な最良の DMRG 外挿値から 約 12～18 ミリハートリー 以内に縮小され、超伝導ハードウェア上で実証された量子化学活性空間計算の中で最大規模のものの一つとなりました。

意義と主張
本論文は、QiankunNet-QSCI が現在の NISQ デバイスにおける正確な量子支援電子構造計算への 実用的な経路 を提供すると主張しています。量子プロセッサの役割を変分オプティマイザーから焦点型サンプリングへシフトし、AI を用いて生成されたデータを精緻化することで、このフレームワークはこれまで量子化学応用を阻害してきたノイズとスケーラビリティの限界を回避します。

著者らは、この研究が、現在のハードウェアが知的な古典的処理と組み合わされれば、それ otherwise 処理不可能な化学的に関連する強相関問題に対処できることを実証していると述べています。彼らはこれを遠い将来の能力としてではなく、触媒、創薬、材料設計における近未来の量子加速発見のためのアーキテクチャパターンを確立する現在の解決策として位置づけています。論文は、このアプローチのスケーラビリティが有望であると結論づけています。なぜなら、必要な量子ビット数は活性軌道の数に対して線形にスケーリングするのに対し、エンタングルメントとともにコストが指数関数的に増大する一部の古典的テンソルネットワーク手法とは異なるからです。