Machine learning quantum data to accelerate quantum Monte Carlo

In de microscopische wereld van moleculen en materialen is het gedrag van elektronen vaak een chaotische kluwen. Wanneer elektronen sterk met elkaar interageren, weigeren ze onafhankelijk te handelen, wat complexe patronen creëert die bepalen of een materiaal elektriciteit geleidt, een supergeleider wordt of een chemische reactie katalyseert. Het voorspellen van deze gedragingen is een van de moeilijkste uitdagingen in de moderne wetenschap. Klassieke computers, die alles van smartphones tot supercomputers aandrijven, worstelen enorm met deze taak omdat het aantal mogelijke elektronische rangschikkingen zo snel groeit dat het zelfs de krachtigste machines snel overbelast. Quantumcomputers, die de vreemde wetten van de fysica gebruiken om informatie te verwerken, bieden een ander pad. Ze kunnen deze verstrengelde elektronentoestanden van nature representeren, maar ze zijn momenteel foutgevoelig en kunnen tegelijkertijd slechts een beperkte hoeveelheid informatie vasthouden. Om deze kloof te overbruggen, hebben wetenschappers een hybride aanpak ontwikkeld: een quantumcomputer gebruiken om een ruwe schets van de elektronische rangschikking te maken, en vervolgens een klassieke computer gebruiken om die schets te verfijnen tot een precies antwoord. Deze methode, bekend als quantum Monte Carlo, heeft veel belofte getoond, maar is tegen een muur gelopen. Het proces van het vertalen van de ruwe data van de quantumcomputer naar een vorm die de klassieke computer kan gebruiken, is zo traag en kostbaar dat het deze experimenten heeft beperkt tot zeer kleine systemen, waardoor wetenschappers niet in staat waren om de grotere, meer interessante moleculen aan te pakken die er het meest toe doen.

Een team onderzoekers heeft nu deze barrière doorbroken door een machine-learningmodel te leren de data van de quantumcomputer direct te lezen, waardoor de noodzaak voor trage, repetitieve berekeningen wordt omzeild. In een recente studie toonden zij aan dat deze nieuwe aanpak het hele proces duizenden keren kan versnellen, waardoor ze systemen kunnen simuleren met tot wel 40 qubits—een schaal die meer dan het dubbele is van wat voorheen mogelijk was met vergelijkbare nauwkeurigheid. Het team, werkend met Google's Willow quantumprocessor, testte hun methode op twee zeer verschillende uitdagingen: lange ketens van waterstofatomen en complexe ijzer-zwavelclusters die in biologische systemen worden gevonden. In beide gevallen slaagde het machine-learningmodel erin om de noodzakelijke quantum-overlaps te voorspellen vanuit een gecomprimeerde set metingen, waarbij het effectief fungeerde als een snelle, intelligente vertaler tussen de quantum- en de klassieke werelden. De resultaten waren niet alleen sneller; ze waren nauwkeurig genoeg om "chemische nauwkeurigheid" te bereiken, de gouden standaard voor het voorspellen van hoe moleculen zich gedragen, een mijlpaal die voor deze grotere systemen onbereikbaar was gebleven.

De kern van het probleem dat de onderzoekers hebben opgelost, ligt in de manier waarop hybride quantumalgoritmen momenteel werken. In een typische opstelling bereidt een quantumprocessor een trial wavefunction voor, een wiskundige beschrijving van hoe elektronen waarschijnlijk gerangschikt zijn. Om deze beschrijving te verfijnen, voert een klassieke computer een simulatie uit genaamd quantum Monte Carlo, die bestaat uit miljoens stappen waarbij het systeem wordt aangestuurd en gecontroleerd. Bij elke stap moet de klassieke computer weten hoe goed de huidige staat overeenkomt met de trial wavefunction van de quantumprocessor. Traditioneel vereist dit dat de klassieke computer de ruwe data van de quantummachine voor elke stap van de simulatie opnieuw verwerkt. Naarmate het systeem groter wordt, explodeert de hoeveelheid data en wordt de tijd die nodig is om het te verwerken prohibitief. In eerdere experimenten betekende deze bottleneck dat het simuleren van een systeem met slechts 16 qubits meer dan 13.000 uur aan rekentijd op krachtige grafische processoren vereiste. Extrapolatie hiervan naar een 40-qubit systeem suggereerde dat het miljoenen uren zou duren, wat dergelijke berekeningen effectief onmogelijk maakte.

Om dit te overwinnen, veranderden de onderzoekers de workflow volledig. In plaats van de ruwe data miljoenen keren opnieuw te verwerken, verzamelden ze één keer een grote batch gerandomiseerde metingen van de quantumprocessor. Vervolgens gebruikten ze deze data om een machine-learningmodel te trainen, een type kunstmatige intelligentie dat patronen kan leren van voorbeelden. Dit model werd geleerd om de specifieke waarden te voorspellen die de klassieke simulatie nodig heeft, waardoor de enorme hoeveelheid quantumdata effectief werd gecomprimeerd tot een compact, snel draaiend programma. Eenmaal getraind, kon dit model de benodigde informatie voor de klassieke simulatie bijna onmiddellijk leveren, zonder ooit de originele quantumdata opnieuw te hoeven bekijken. De onderzoekers vergeleken dit met het leren van een taal: in plaats van een boek telkens woord voor woord te vertalen wanneer je een zin nodig hebt, leer je de grammatica en woordenschat één keer, waardoor je daarna vloeiend en direct kunt spreken.

Het team zette deze methode op de proef op Google's Willow processor, een apparaat met meer dan honderd qubits en snelle meetmogelijkheden. Ze pakten eerst waterstofketens aan, een standaard benchmark om te testen hoe goed een methode omgaat met toenemende complexiteit. Door de lengte van de keten te variëren, konden ze systemen simuleren variërend van 8 tot 40 qubits. In deze tests leverde de machine-learningaanpak resultaten die chemisch accuraat waren, wat betekent dat de voorspelde energieniveaus binnen een minuscule foutmarge lagen die vereist is voor de echte chemie. Belangrijker nog, de versnelling was spectaculair. Voor een 16-qubit systeem was de nieuwe methode 4.100 keer sneller dan de traditionele aanpak. Voor het 40-qubit systeem zou de traditionele methode zo duur zijn geweest om uit te voeren dat het nooit werd geprobeerd, maar de nieuwe methode maakte het haalbaar door de berekening in een fractie van de tijd te voltooien.

De onderzoekers gingen vervolgens over naar een veel moeilijker probleem: een ijzer-zwavelcluster, een type molecuul dat cruciaal is voor biologische processen zoals elektronoverdracht en katalyse. Deze moleculen zijn berucht moeilijk te simuleren omdat hun elektronen sterk gecorreleerd zijn en zich in veel bijna identieke energietoestanden bevinden. Eerdere pogingen om deze systemen te simuleren met klassieke methoden of vroege quantumtechnieken hadden moeite om het vereiste nauwkeurigheidsniveau te bereiken. Met hun machine-learningframework slaagde het team erin de ijzer-zwavelcluster te simuleren in actieve ruimtes van 28 en 40 qubits. Ze ontdekten dat hun quantumgestuurde aanpak chemische nauwkeurigheid kon bereiken, zelfs wanneer de quantumhardware ruisig was, een veelvoorkomend probleem bij huidige apparaten. Het machine-learningmodel was robuust genoeg om de ruis te filteren en het correcte fysieke signaal te extraheren, wat bewees dat de methode werkt, zelfs wanneer de onderliggende quantumdata imperfect is.

Een belangrijk inzicht van het werk was dat het machine-learningmodel niet de volledige quantumtoestand hoefde te reconstrueren, wat te complex zou zijn. In plaats daarvan hoefde het alleen de specifieke overlaps te leren—de wiskundige relaties tussen de quantumtoestand en de configuraties die in de simulatie worden gebruikt. Door zich op deze specifieke relaties te richten, bleef het model eenvoudig en efficiënt. De onderzoekers toonden ook aan dat ze met een ruwe klassieke gok konden beginnen en vervolgens de quantumdata konden gebruiken om deze te verfijnen, of zelfs vanaf nul konden beginnen en de quantumdata de het model alles konden leren wat het moest weten. In het geval van de ijzer-zwavelcluster toonden ze aan dat een model getraind op quantumdata beter presteerde dan klassieke methoden die voor dezelfde taak waren geoptimaliseerd, wat de unieke waarde van direct leren van de quantumhardware benadrukt.

De implicaties van dit werk reiken verder dan alleen deze specifieke moleculen. De bottleneck die de onderzoekers hebben aangepakt—de trage verwerking van quantumdata—is een fundamenteel probleem dat zal blijven bestaan, zelfs naarmate quantumcomputers krachtiger en foutlozer worden. Door aan te tonen dat machine learning quantuminformatie efficiënt kan comprimeren en hergebruiken, heeft het team een blauwdruk geleverd voor hoe hybride algoritmen kunnen schalen om reële problemen op te lossen. Hun succes met 40 qubits suggereert dat de weg naar het simuleren van complexe materialen en het ontwerpen van nieuwe medicijnen niet langer geblokkeerd wordt door computationele kosten. De studie bewijst dat we met de juiste interface tussen quantum- en klassieke computing nu toegang hebben tot een schaal van simulatie die voorheen onbereikbaar was, wat de deur opent naar een nieuw tijdperk van ontdekkingen in de chemie en materiaalkunde.