Parametrized Quantum Circuit Learning for Quantum Chemical Applications

Chemici vertrouwen al lang op krachtige computers om te voorspellen hoe moleculen zich gedragen, een taak die vaak het oplossen van ongelooflijk complexe vergelijkingen vereist om de onzichtbare wereld van elektronen te begrijpen. Decennialang waren deze berekeningen het domein van klassieke computers, die informatie op een rechtlijnse, stapsgewijze manier verwerken. Echter, er is een nieuwe grens ontstaan waar wetenschappers proberen de vreemde regels van de kwantummechanica te benutten — de fysica die de kleinste deeltjes beheerst — om deze chemische puzzels op te lossen. De hoop is dat onderzoekers, door gebruik te maken van kwantumcomputers, die tegelijkertijd in meerdere toestanden kunnen bestaan, op een dag moleculaire eigenschappen sneller en nauwkeuriger dan ooit tevoren kunnen voorspellen. Een specifieke benadering genaamd kwantum-machine learning probeert deze twee werelden te versmelten, waarbij kwantumcomputers worden gebruikt om patronen in chemische data te leren, net zoals een mens kan leren van ervaring. Toch blijft het, hoewel de theorie veelbelovend is, onduidelijk of deze machines daadwerkelijk kunnen presteren beter dan de klassieke computers die we al gebruiken voor alledaagse chemische problemen.

Een team van onderzoekers zette zich scharpe om dit idee te testen door een grote verscheidenheid aan digitale circuits te bouwen en te trainen, ontworpen om op kwantumcomputers te draaien. Ze richtten zich op twee zeer verschillende chemische uitdagingen om te zien hoe goed deze circuits konden leren. De eerste uitdaging betrof het voorspellen van de energie die nodig is om specifieke chemische verbindingen te verbreken in een grote collectie moleculen, een taak die relatief eenvoudig is voor standaardcomputers. De tweede uitdaging was specialistischer en betrof de voorspelling van elektronengedrag in watermoleculen, een probleem dat diep geworteld is in de kwantummechanica zelf. Hiervoor construeerden de wetenschappers 168 verschillende versies van deze kwantumcircuits, waarbij ze 14 manieren combineerden om data in de machine te voeren met 12 verschillende interne structuren die ontworpen zijn om die informatie te verwerken. Ze testten deze circuits op simulaties van kwantumcomputers met vijf en zestien kwantumbits, de basiseenheden van informatie in een kwantumsysteem, voordat ze hun beste ontwerpen uiteindelijk draaiden op echte, fysieke kwantumhardware.

De resultaten schetsen een beeld van zowel belofte als aanzienlijke beperking. Wanneer de onderzoekers de circuits testten op de data over de energie bij het verbreken van verbindingen, hadden de kwantummodellen enorme moeite. Zelfs de best presterende circuits konden de energiewaarden niet met enige bruikbare nauwkeurigheid voorspellen, en presteerden vaak niet beter dan simpelweg het gemiddelde voor elke molecuul raden. De studie suggereert dat de manier waarop de chemische data werd vertaald naar een formaat dat de kwantumcomputer kon begrijpen, te veel detail mogelijk heeft weggestreept, waardoor de machine met te weinig informatie achterbleef om van te leren. In contrast hiermee presteerden de kwantumcircuits veel beter op de data van watermoleculen, die direct gaan over elektronengedrag. Hier waren de modellen in staat om de patronen goed genoeg te leren om nauwkeurige voorspellingen te doen, een niveau van succes dat als bruikbaar kan worden beschouwd. Dit verschil suggereert dat kwantummachines beter geschikt kunnen zijn voor problemen die inherent kwantummechanisch van aard zijn, in plaats van te proberen problemen op te lossen die klassieke computers al gemakkelijk afhandelen.

De onderzoekers onderzochten ook of het complexer maken van de circuits zou helpen om beter te leren. Ze probeerden meer lagen aan de circuits toe te voegen en de data meerdere keren door de machine te voeren, een techniek bedoeld om het model complexe patronen te laten begrijpen. Voor de data over het verbreken van verbindingen maakte het toevoegen van complexiteit geen verschil; de modellen bleven steken. Voor de data van watermoleculen verbeterde het vergroten van de diepte van het circuit echter de nauwkeurigheid, waardoor het model effectiever kon leren. Toch konden de kwantummodellen, zelfs met deze verbeteringen, de prestaties van de beste klassieke computermodellen nog steeds niet evenaren, die beide problemen met bijna perfecte nauwkeurigheid oplosten. De studie voert expliciet aan tegen het idee dat het simpelweg toevoegen van meer parameters of trainingsdata aan een kwantumcircuit automatisch zal leiden tot superieure resultaten, en laat zien dat voor deze specifieke chemische taken de kwantumbenadering momenteel wordt ingehaald door traditionele methoden.

De laatste test bestond uit het draaien van het meest succesvolle watermolecuul-model op een echte, publiekelijk beschikbare kwantumcomputer. Terwijl de simulatie op een computer de resultaten met hoge nauwkeurigheid voorspelde, stortte de prestatie in op het moment dat het experiment overging naar het eigenlijke fysieke apparaat. De lawaaierige omgeving van de echte machine, vol interferentie en fouten, zorgde ervoor dat de voorspellingen onbetrouwbaar en onnauwkeurig werden. Deze uitkomst benadrukt een grote hindernis: hoewel de wiskundige theorie van deze circuits goed werkt in een perfecte, ruisvrije simulatie, is de huidige generatie kwanthardware simpelweg te imperfect om de delicate berekeningen aan te kunnen die nodig zijn voor praktische chemische toepassingen. De studie concludeert dat hoewel kwantum-machine learning theoretisch potentieel heeft, met name voor problemen die van nature kwantummechanisch zijn, de technologie nog niet klaar is om klassieke computers te vervangen voor de chemische taken waarvoor zij is ontworpen. De weg vooruit, suggereren de auteurs, ligt niet alleen in het bouwen van grotere machines, maar in het vinden van nieuwe manieren om chemische problemen te kaderen, zodat ze echt profiteren van de unieke mogelijkheden van kwantumcomputing.