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

電子が固体材料の中をどのように移動するかを理解することは、現代科学における最も根本的な課題の一つです。これらの微小な粒子は、物質が電気を通すのか、光を放つのか、あるいは抵抗なく電流を運ぶ超伝導体になるのかを決定します。これらの挙動を予測するために、科学者たちは伝統的に、結晶内のすべての電子のエネルギーを記述する方程式を解く複雑なコンピュータ・シミュレーションに頼ってきました。これらの手法は小さな分子にはうまく機能しますが、繰り返される無限のパターンを持つ結晶構造に適用しようとすると、非常に困難で時間がかかるものになります。研究者たちは数十年にわたり、量子コンピュータが電子を支配するのと同じ量子則に従って動作するため、これらの問題を自然に解決してくれることを期待してきました。しかし、大きな障壁が残っていました。量子コンピュータが作業を開始する前に、科学者はまず、物理的な材料を、そのマシンが理解できる特定の数学的形式へと翻訳しなければならないという点です。この翻訳ステップは遅く、コストがかかり、新しい材料ごとに人間の専門家が設定を手動で調整する必要があったため、数千種類の物質をテストする道を事実上阻んできました。

ジョンズ・ホープキンス大学の研究チームは、現在、このボトルネックを解消する架け橋を築きました。彼らは、強力な人工知能モデルと量子アルゴリズムを組み合わせて、固体材料のエネルギーバンドを計算する新しいワークフローを開発しました。各結晶に対して数学的な記述を手動で構築することを人間に求める代わりに、彼らはニューラルネットワークを訓練し、周期表全体にわたる電子の移動のルールを学習させました。一度訓練されれば、このAIモデルは、単純な金属から複雑な化合物まで、65種類の元素からなるあらゆる材料の必要な数学的記述を即座に生成できます。研究者たちは、これらのAI生成による記述を、実際の量子コンピュータ上で動作する量子アルゴリズムに直接投入しました。その結果、手動のセットアップを必要とせずに多様な材料の電子特性を予測できるシステムが実現し、将来のテクノロジーに向けた膨大な材料ライブラリのスクリーニングへの道が開かれました。

この成果の核心は、労働集約的な従来の数学モデル構築手法を置き換えたことにあります。以前は、新しい固体について研究する場合、科学者は重いシミュレーションを実行して大まかなイメージを得た後、データに適合するようにパラメータを手動で調整していました。このプロセスは、単一の材料に対して数日から数週間かかることもありました。新しいアプローチでは、「SlaKoNet」と呼ばれるツールを使用しており、これはユニバーサルな翻訳機として機能します。これは、原子間の距離や種類に基づいて電子がどのように原子間を跳躍するかを学習するために、既知の材料の膨大なデータベースで訓練されました。この学習フェーズが完了すれば、モデルは遭遇するあらゆる新しい結晶構造に対して、忠実な数学的マップを即座に生成できます。このマップはその後、「変分量子デフレーション（variational quantum deflation）」として知られる量子アルゴリズムに渡されます。このアルゴリズムは、楽器が奏でられる特定の音符を見つけるような感覚で、システムのエネルギーレベルを見つけ出すように設計されていますが、これは最低エネルギー状態を反復的に探索し、それらを「デフレート（排出）」して次の状態を見つけるという手法をとります。

このパイプラインが機能するかどうかをテストするために、研究者たちはまず、現代のエレクトロニクスの基礎であるシリコンにこれを適用しました。彼らは、シリコンの内部構造を通る標準的な経路に沿った全範囲のエネルギーレベルを計算するようシステムに求めました。3つの量子ビットを持つ量子コンピュータを模したシミュレータを使用し、システムは平均誤差わずか1.78ミリ電子ボルトで、8つのエネルギーバンドすべてを再現することに成功しました。この精度は理論的な正確な値に極めて近く、AIが生成したマップが量子コンピュータが動作するのに十分なほど正確であることを証明しています。次に、研究者たちは次の重要なステップとして、IBMが提供する実際の量子ハードウェア上で同じ計算を実行しました。彼らは一般的な金属であるアルミニウムに焦点を当て、マシンに基底状態エネルギーを見つけるよう求めました。実際のハードウェアは、完璧なシミュレータよりもノイズやエラーが多く導入されましたが、システムは正確な値から約0.37電子ボルトという結果を依然として導き出しました。これは、AIによるマップ生成から量子コンピュータによる解決に至るまでのプロセス全体が、現在利用可能な不完全なマシン上でも機能できることを示しました。

しかし、この手法の真の力はその汎用性にあります。研究者たちはシリコンとアルミニウムだけに留まりませんでした。彼らは全く同じワークフローを、低温で超伝導体となるいくつかの金属や硬いセラミック化合物を含む、他の5つの材料に適用しました。設定を変更したりモデルを再学習させたりすることなく、システムはそれらすべてのエネルギーバンド構造を正常に生成しました。精度は高く維持され、より複雑な材料においても誤差は1.8ミリ電子ボルト未満でした。これは、AIモデルが、単純な自由電子金属から遷移金属やナイトライドに至るまで、異なる種類の化学に適用できる普遍的なルールを学習したことを示しています。つまり、単一の事前学習済みモデルが、今や数千の異なる材料を研究するための出発点として機能できることを意味し、材料ごとに人間の専門家が新しいモデルを構築する必要性を排除しました。

単純なエネルギーレベルを超えて、研究者たちはこの手法が、電子が互いに強く相互作用するより困難な問題にどのように対処できるかについても探求しました。多くの材料では、一つの電子の振る舞いは他の電子に大きく依存しており、シミュレートが困難な複雑な効果を生み出します。チームは、AI生成モデルをこれらの相互作用を含めるようにアップグレードでき、それを「動力学的平均場理論（dynamical mean-field theory）」を用いて解けることを示しました。彼らはこれを、強い電子相関で知られる有名な銅ベースの材料に適用しました。システムは、金属のグループを下るにつれてこれらの相関が弱まる様子を捉え、量子コンピュータが材料の挙動を理解するために解決すべき具体的な数学的問題を特定しました。これは、このパイプラインが単なる単純な計算のためのツールではなく、量子コンピュータを材料科学における最も困難な問題へと導くための完全なフレームワークであることを示唆しています。

この研究の意義は、テストされた特定の材料をはるかに超えるものです。手動のセットアップステップを取り除くことで、研究者たちは、量子アルゴリズムを一度に数千の材料に対してテストできる「ハイスループット・スクリーニング」への道を切り開きました。これにより、科学者は異なる化学環境全体でさまざまな量子アルゴリズムがどのように機能するかを研究できるようになりますが、これは各入力を準備するために必要な時間を考えると、以前は不可能でした。さらに、プロセス全体が「微分可能」であること、つまり数学的なステップを逆方向に辿って、材料の変化が最終的な結果にどのように影響するかを確認できるため、材料設計と量子アルゴリズムの両方を同時に最適化する道が開かれます。研究者たちは、自らのツールとデータを公開し、他の人々がこの基礎の上に構築していくことを歓迎しています。現在の量子コンピュータは、ノイズや制御できる量子ビットの数に制限がありますが、この研究は、ユニバーサルなAI駆動型のアプローチが、今日のハードウェアを最大限に活用できることを実証しています。それは、量子コンピュータを、あらゆるドアに対してカスタムメイドの鍵を必要とする機械から、膨大な材料のライブラリを解錠できるツールへと変え、新しい超伝導体、半導体、その他の高度な物質の発見を加速させるものです。