Transformer refined quantum sampling for strongly correlated electronic structure

Het artikel introduceert QiankunNet-QSCI, een hybride quantum-klassiek raamwerk dat een efficiënte unitaire geselecteerde configuratie-interactie-ansatz, uitgevoerd op de Zuchongzhi 3.1-processor, combineert met een transformer-neuraal netwerk om elektronische golffuncties nauwkeurig te reconstrueren en chemische nauwkeurigheid te bereiken voor sterk gecorreleerde systemen zoals het [2Fe-2S] ferredoxine en het nitrogenase P-cluster op huidige ruisgevoelige middenschalige quantumapparaten.

De kern

Stel je voor dat je probeert een enkele, perfecte naald te vinden in een hooiberg ter grootte van het hele universum. Dat is in wezen wat wetenschappers tegenkomen wanneer ze het gedrag van elektronen in complexe moleculen proberen te berekenen, zoals die in ijzer-zwavelclusters of de enzymen die planten helpen meststof te maken. De "hooiberg" is het enorme aantal mogelijke manieren waarop elektronen zich kunnen rangschikken, en de "naald" is die ene specifieke rangschikking die de ware, stabiele toestand van het molecuul vertegenwoordigt.

Dit artikel introduceert een nieuwe methode genaamd QiankunNet-QSCI die fungeert als een super-slim, hybride team om die naald veel sneller en nauwkeuriger te vinden dan voorheen. Hier is hoe het werkt, opgesplitst in eenvoudige stappen:

1. Het Probleem: Te Veel Ruis, Te Weinig Duidelijkheid

In het verleden probeerden wetenschappers dit op te lossen met quantumcomputers. Echter, huidige quantumcomputers zijn als "ruizige" radio's; ze vangen veel statiek (fouten) op dat het signaal overstemt. Als je een ruisende quantumcomputer vraagt om de hele hooiberg te bekijken, geeft deze vaak gewoon een willekeurige brij van hooi terug, waardoor tijd en energie worden verspild.

2. De Oplossing: Een Tweestaps "Zoek en Verfijn" Team

De auteurs creëerden een partnerschap tussen een quantumcomputer en een krachtige AI (kunstmatige intelligentie) om dit op te lossen. Denk hierbij aan een Verkenners en een Cartograaf.

Stap 1: De Verkenners (De Quantumcomputer)

In plaats van de quantumcomputer te vragen het hele probleem in één keer op te lossen (wat het nog niet kan zonder fouten te maken), gebruiken ze het als een geconcentreerde verkenners.

• De Truc: Ze ontwierpen een speciale, zeer korte "kaart" (een USCI-ansatz) voor de quantumcomputer. Deze kaart vertelt de computer om de grote, lege delen van de hooiberg te negeren en alleen te kijken naar de kleine, meest waarschijnlijke gebieden waar de naald zich zou kunnen verbergen.
• Het Resultaat: Op een echte quantumcomputer (de Zuchongzhi 3.1) negeerde deze verkenners succesvol de ruis en vond een kleine, hoogwaardige lijst van "kandidaat-naalden" (specifieke elektronenrangschikkingen). Het vond niet het perfecte antwoord, maar het vond de juiste buurt waar het antwoord zich bevindt.

Stap 2: De Cartograaf (De AI Transformer)

Zodra de quantumcomputer deze kleine, hoogwaardige lijst met kandidaten overhandigt, neemt de AI (QiankunNet) het over.

• De Taak: De AI is als een meester-cartograaf die de ruwe schets van de verkenners bekijkt en alle ontbrekende details invult. Het maakt gebruik van een type geavanceerde AI genaamd een Transformer (dezelfde technologie achter moderne chatbots) om de complexe relaties tussen de elektronen te begrijpen.
• De Magie: De AI "denoist" de data (corrigeert de fouten die de quantumcomputer maakte) en "reconstrueert" het volledige plaatje. Het neemt de kleine lijst met kandidaten en breidt deze wiskundig uit om de complete, perfecte rangschikking van elektronen te voorspellen met ongelooflijke nauwkeurigheid.

3. De Resultaten: Het Oplossen van het "Onmogelijke"

Het team testte deze methode uit op twee zeer moeilijke chemische puzzels:

1. De Ijzer-Zwavel Cluster ([2Fe-2S]): Dit is een tiny biologische machine die in levende wezens voorkomt. Het team loste de elektronische structuur ervan op met "chemische nauwkeurigheid" (wat betekent dat het antwoord nauwkeurig genoeg is om bruikbaar te zijn voor echte chemie) met behulp van een 40-qubit quantumcomputer. Dit is een belangrijke mijlpaal omdat eerdere methoden moeite hadden om dit goed te krijgen op dergelijke apparaten.
2. De Nitrogenase P-Cluster: Dit is een nog groter, complexer molecuul dat betrokken is bij het maken van meststof. Ze pasten de methode toe op een massief systeem met 114 elektronen. Hoewel de quantumcomputer het hele probleem alleen niet kon oplossen, kreeg het hybride team een antwoord dat extreem dicht bij het beste mogelijke theoretische resultaat lag.

Het Grote Plaatje

Het artikel beweert dat deze methode aantoont dat we niet hoeven te wachten op "perfecte" quantumcomputers om nuttig chemisch werk te verrichten. Door een quantumcomputer alleen te gebruiken om het juiste startpunt te vinden en een AI om het zware werk van verfijning te doen, kunnen we vandaag de dag complexe moleculaire problemen oplossen.

Kortom: De quantumcomputer fungeert als een slimme zaklamp die door de ruis snijdt om de juiste plek te vinden, en de AI fungeert als een briljante kunstenaar die die plek gebruikt om het volledige, nauwkeurige plaatje van het molecuul te schilderen.

Technische samenvatting

Technische Samenvatting: Transformer-geoptimaliseerde Quantum Sampling voor Sterk Gecorreleerde Elektronische Structuur

Probleemstelling
Het nauwkeurig simuleren van sterk gecorreleerde elektronensystemen, zoals overgangsmetaalclusters, blijft een centrale uitdaging in de computationele chemie. Klassieke methodes ondervinden aanzienlijke beperkingen: Dichtheidsfunctionaaltheorie (DFT) faalt vaak door delokalisatie- en statische-correlatiefouten in meer-referentieproblemen, terwijl geavanceerde golf functiemethoden zoals de Dichtheidsmatrix Renormalisatiegroep (DMRG) moeite hebben met schaalbaarheid in hoogdimensionale actieve ruimten waar bond-dimensies exponentieel moeten groeien. Omgekeerd, terwijl kwantumcomputing een theoretisch pad biedt naar exacte oplossingen via kwantumsuperpositie en verstrengeling, worden huidige Noisy Intermediate-Scale Quantum (NISQ)-apparaten gehinderd door korte coherentietijden, hoge foutpercentages en de moeilijkheid om expressieve maar hardware-efficiënte ansätze te ontwerpen. Bestaande hybride benaderingen, zoals de Variational Quantum Eigensolver (VQE) en Quantum Selected Configuration Interaction (QSCI), lijden onder specifieke knelpunten: VQE kampt met barre plateaus en optimalisatieschwaktes, terwijl standaard QSCI vaak kwantumbronnen verspilt door redundante of laag-gewogen configuraties te bemonsteren, wat leidt tot trage convergentie en door ruis gedomineerde staarten.

Methodologie: QiankunNet-QSCI
De auteurs stellen QiankunNet-QSCI voor, een hybride kwantum-klassiek raamwerk ontworpen om deze knelpunten te overwinnen door de rollen van kwantumhardware en klassiek machine learning te ontkoppelen. De werkstroom verloopt in twee distincte fasen:

1. Gefocuste Quantum Sampling (USCI Ansatz):
   In plaats van de kwantumprocessor te gebruiken als volledige variatieve eigenwaarde-oplosser, wordt deze ingezet als een "gecentreerde determinant-sampler". De auteurs introduceren een Unitary Selected Configuration Interaction (USCI) ansatz, specifiek ontworpen voor kwantum sampling.

   • Ontwerpprincipe: De USCI ansatz prioriteert compactheid en chemische relevantie boven volledige Hilbertruimte-dekking. Deze wordt geconstrueerd door eerst een goedkope klassieke prescreening uit te voeren (bijvoorbeeld via CISD of semi-stochastische HCI) om een compacte set chemisch significante determinanten te identificeren.
   • Circuitconstructie: De ansatz maakt gebruik van een unitaire operator samengesteld uit orbitaalrotaties en geselecteerde excitatie-operatoren (afgeleid van de geprescreende set), gemapt naar qubits via de Jordan-Wigner-transformatie. Cruciaal is dat het circuit is ontworpen om ondiep en hardware-efficiënt te zijn, vaak werkend op slechts een subset van qubits relevant voor de dominante excitaties.
   • Uitvoering: De kwantumprocessor (Zuchongzhi 3.1) voert het USCI-circuit uit om een verdeling van bitstrings te genereren. Deze worden gefilterd op symmetrie om alleen fysiek geldige configuraties te behouden (correct aantal deeltjes en spin), waarmee een geconcentreerde, chemisch relevante subruimte wordt gedefinieerd.

2. Klassieke Verfijning (QiankunNet):
   De schaarse maar kritieke kwantumsamples worden ingevoerd in QiankunNet, een op transformers gebaseerd neuronaal netwerk.

   • Architectuur: QiankunNet maakt gebruik van een decoder-only transformer-architectuur met amplitude/fase-gescheiden koppen. Het verwerkt bezettingsstrings van Slater-determinanten als inputsequenties, waarbij multi-head self-attention wordt gebruikt om langeafstandsorbitale correlaties te vangen.
   • Functie: Het netwerk leert van de kwantum-gemonsterde data om de verdeling te ontdoen van ruis, de volledige elektronische golf functie te reconstrueren en de coëfficiënten variationeel te verfijnen. Het vult effectief de gaten in de bemonsterde subruimte in en corrigeert voor door hardware veroorzaakte vertekeningen, waardoor een onbevooroordeelde benadering van de grondtoestand wordt verkregen.

Belangrijkste Bijdragen

• USCI Ansatz: Een nieuwe, compacte ansatz die specifiek is toegesneden op kwantum sampling in plaats van variatieve optimalisatie. Het ruilt volledigheid in voor compactheid, waardoor circuitdiepte en poeltaantallen worden verminderd, terwijl ervoor wordt gezorgd dat de kwantumhardware het meest chemisch dominante sector van de Hilbertruimte bemonsterd.
• Hybride Werkstroom: Een tweefasige architectuur die kwantumhardware benut voor "importance sampling" van de determinantruimte en klassieke AI voor "wavefunction completion" en verfijning. Dit vermijdt de problemen van ruisaccumulatie bij diepe variatieve circuits.
• Spin-factorisatie voor Schaalbaarheid: Voor extreem grote systemen passen de auteurs een spin-factorisatiebenadering toe, waarbij $\alpha$- en $\beta$-spinkanalen worden opgesplitst in aparte kwantumcircuits. Dit maakt de behandeling van actieve ruimten mogelijk die anders de qubitcapaciteit of connectiviteit van huidige hardware zouden overschrijden.

Resultaten
Het raamwerk werd gevalideerd op de Zuchongzhi 3.1 supergeleidende kwantumprocessor (105 qubits) over drie benchmarks:

1. H₁₀ Ring (20 qubits):

   • In vergelijking met de Local Unitary Coupled Cluster met Jastrow (LUCJ) ansatz, produceerde de USCI ansatz een aanzienlijk meer geconcentreerde verdeling van geldige bitstrings (256 unieke versus ~635.000 voor LUCJ) en slaagde erin de dominante fysische configuraties te identificeren.
   • QiankunNet, geïnitieerd met USCI-samples, bereikte chemische nauwkeurigheid ($1.6 \times 10^{-3}$ Ha) orde van grootte sneller dan willekeurige initialisatie of LUCJ-initialisatie.

2. [Fe₂S₂(SCH₃)₄]²⁻ Ferredoxine Cluster (40 qubits):

   • Simulatie van een 30-elektronen, 20-orbitaal actieve ruimte (40 spin-orbitalen).
   • Het USCI-circuit (diepte 41 logisch, 137 gecompileerd) genereerde ~10⁸ shots, wat resulteerde in ~34.500 unieke, symmetrie-consistente determinanten.
   • De uiteindelijke energie bereikte chemische nauwkeurigheid ($1.12 \pm 0.30 \times 10^{-3}$ Ha) ten opzichte van geëxtrapoleerde DMRG-resultaten, wat een significant betere prestatie was dan klassieke CCSD- en CISD-methoden.

3. Nitrogenase P-Cluster (146 qubits equivalent):

   • Aanpak van een massieve CAS(114e, 73o) actieve ruimte (146 spin-orbitalen) met behulp van spin-factorisatie USCI-circuits op twee 73-qubit registers.
   • De kwantumsampling leverde een aanzienlijke verrijkingfactor (24×–60×) op ten opzichte van uniforme willekeurige sampling voor geldige deeltjesbehoudende strings.
   • Na QiankunNet-verfijning werd de energiefout teruggebracht tot binnen ~12–18 milli-Hartree van de beste beschikbare DMRG-extrapolatie, wat een van de grootste kwantumchemische actieve-ruimteberekeningen vertegenwoordigt die tot nu toe op supergeleidende hardware is gedemonstreerd.

Betekenis en Aanspraken
Het artikel beweert dat QiankunNet-QSCI een praktische route biedt naar nauwkeurige kwantum-ondersteunde elektronische structuurberekeningen op huidige NISQ-apparaten. Door de rol van de kwantumprocessor te verschuiven van variatieve optimizer naar gefocuste sampler, en AI te gebruiken om de resulterende data te verfijnen, omzeilt het raamwerk de ruis- en schaalbaarheidsbeperkingen die kwantumchemische toepassingen tot nu toe hebben gehinderd.

De auteurs stellen dat dit werk aantoont dat huidige hardware, wanneer gekoppeld aan intelligente klassieke verwerking, chemisch relevante sterk gecorreleerde problemen kan aanpakken die anders onoplosbaar zijn. Zij positioneren dit niet als een capaciteit voor een veraf gelegen toekomst, maar als een oplossing van vandaag die architecturale patronen vestigt voor kwantumsnelversterkte ontdekking in de nabije toekomst op het gebied van katalyse, geneesmiddelenontwikkeling en materiaaldesign. Het artikel concludeert dat de schaalbaarheid van deze benadering veelbelovend is, aangezien het vereiste aantal qubits lineair schaalt met het aantal actieve orbitalen, in tegenstelling tot sommige klassieke tensornetwerkmethoden waarbij de kosten exponentieel groeien met de verstrengeling.