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

De zoektocht naar het begrijpen van hoe elektronen door vaste stoffen bewegen, is een van de meest fundamentele uitdagingen in de moderne wetenschap. Deze minuscule deeltjes bepalen of een substantie elektriciteit geleidt, licht geeft, of een supergeleider wordt die stroom zonder weerstand transporteert. Om deze gedragingen te voorspellen, vertrouwen wetenschappers traditioneel op complexe computersimulaties die vergelijkingen oplossen die de energie van elke elektron in een kristal beschrijven. Hoewel deze methoden goed werken voor kleine moleculen, worden ze ongelooflijk moeilijk en traag wanneer ze worden toegepast op de herhalende, oneindige patronen die in vaste kristallen voorkomen. Decennialang hoopten onderzoekers dat quantumcomputers deze problemen natuurlijk zouden kunnen oplossen, aangezien zij opereren volgens dezelfde quantumregels die de elektronen beheersen. Echter, een grote hindernis bleef bestaan: voordat een quantumcomputer aan zijn werk kan beginnen, moeten wetenschappers de fysieke materie eerst vertalen naar een specifiek wiskundig formaat dat de machine kan begrijpen. Deze vertalingsstap was traag, duur en vereiste een menselijke expert om de instellingen voor elk nieuw materiaal handmatig af te stemmen, wat de weg naar het testen van duizenden verschillende substanties effectief blokkeerde.

Een team van onderzoekers aan de Johns Hopkins University heeft nu een brug geslagen over deze flessenhals. Ze ontwikkelden een nieuwe workflow die een krachtig kunstmatige intelligentie-model combineert met een quantumalgoritme om de energiebanden van vaste materialen te berekenen. In plaats van een mens te vragen om de wiskundige beschrijving voor elk nieuw kristal handmatig te construeren, trainden ze een neuraal netwerk om de regels van elektronbeweging over het periodiek systeem te leren. Eenmaal getraind, kan dit AI-model direct de noodzakelijke wiskundige beschrijving genereren voor elk materiaal dat gemaakt is van 65 verschillende elementen, van eenvoudige metalen tot complexe verbindingen. De onderzoekers voedden deze door AI gegenereerde beschrijvingen vervolgens direct in een quantumalgoritme dat draait op een echte quantumcomputer. Het resultaat is een systeem dat de elektronische eigenschappen van een breed scala aan materialen kan voorspellen zonder de noodzaak van een trage, handmatige setup, wat de deur opent naar het screenen van enorme bibliotheken van materialen voor toekomstige technologieën.

De kern van deze prestatie ligt in het vervangen van de oude, arbeidsintensieve methode van het bouwen van deze wiskundige modellen. Voorheen, om een nieuw vast materiaal te bestuderen, zou een wetenschapper een zware simulatie draaien om een ruw beeld te krijgen, en vervolgens parameters handmatig aanpassen om de data te laten passen, een proces dat dagen of weken kon duren voor één enkel materiaal. De nieuwe aanpak gebruikt een hulpmiddel genaamd SlaKoNet, dat fungeert als een universele vertaler. Het werd getraind op een enorme database van bekende materialen om te leren hoe elektronen tussen atomen springen op basis van hun afstand en type. Zodra deze leerfase voltooid is, kan het model direct een getrouwe wiskundige kaart produceren voor elke nieuwe kristalstructuur die het tegenkomt. Deze kaart wordt vervolgens overhandigd aan een quantumalgoritme dat bekend staat als 'variational quantum deflation'. Dit algoritme is ontworpen om de energieniveaus van een systeem te vinden, vergelijkbaar met het vinden van de specifieke noten die een muziekinstrument kan spelen, maar het doet dit door iteratief te zoeken naar de laagste energietoestanden en deze vervolgens "weg te laten" (deflateren) om de volgende te vinden.

Om te testen of deze nieuwe pijplijn werkte, pasten de onderzoekers het eerst toe op silicium, een materiaal dat de basis vormt van de moderne elektronica. Ze vroegen het systeem om het volledige bereik van energieniveaus voor silicium te berekenen over een standaard pad door de interne structuur ervan. Met behulp van een simulator die een quantumcomputer met drie qubits nabootst, slaagde het systeem erin alle acht de energiebanden te reproduceren met een gemiddelde fout van slechts 1,78 millielectronvolt. Dit niveau van precisie is opmerkelijk dicht bij de exacte theoretische waarden, wat bewijst dat de door AI gegenereerde kaart accuraat genoeg was voor de quantumcomputer om mee te werken. De onderzoekers namen vervolgens de volgende cruciale stap: ze draaiden dezelfde berekening op daadwerkelijke quantumhardware geleverd door IBM. Ze richtten zich op aluminium, een veelvoorkomend metaal, en vroegen de machine om de grondtoestandsenergie te vinden. Hoewel de echte hardware meer ruis en fouten introduceerde dan de perfecte simulator, produceerde het systeem nog steeds een resultaat dat slechts ongeveer 0,37 elektronvolt verwijderd was van de exacte waarde. Dit toonde aan dat het gehele proces, van de AI die de kaart genereert tot de quantumcomputer die het oplost, kon functioneren op de echte, imperfecte machines die vandaag de dag beschikbaar zijn.

De ware kracht van deze methode ligt echter in haar vermogen om te generaliseren. De onderzoekers stopten niet bij silicium en aluminium. Ze pasten exact dezelfde workflow toe op vijf andere materialen, waaronder verschillende metalen die supergeleidend worden bij lage temperaturen en een hard keramisch bestanddeel. Zonder de instellingen te wijzigen of het model opnieuw te trainen, genereerde het systeem succesvol de energiebandstructuren voor al deze materialen. De nauwkeurigheid bleef hoog, waarbij de fouten onder de 1,8 millielectronvolt bleven voor de complexere materialen. Dit toont aan dat het AI-model een universele set regels heeft geleerd die van toepassing zijn op verschillende soorten chemie, van eenvoudige vrije-elektronenmetalen tot transitie-metalen en nitriden. Dit betekent dat een enkel, vooraf getraind model nu kan dienen als startpunt voor het bestuderen van duizenden verschillende materialen, waardoor de noodzaak verdwijnt voor een menselijke expert om voor elk nieuw materiaal een nieuw model te bouwen.

Verder kijkend dan eenvoudige energieniveaus, verkenden de onderzoekers ook hoe deze methode moeilijkere problemen aan kon pakken waarbij elektronen sterk met elkaar interageren. In veel materialen hangt het gedrag van één elektron sterk af van de anderen, wat complexe effecten creëert die moeilijk te simuleren zijn. Het team toonde aan dat hun door AI gegenereerde model kan worden geüpgraded om deze interacties in te sluiten en vervolgens kan worden opgelost met een techniek genaamd 'dynamical mean-field theory'. Ze pasten dit toe op een beroemd kopergebaseerd materiaal dat bekend staat om zijn sterke elektroncorrelaties. Het systeem legde succesvol de verzwakking van deze correlaties vast terwijl ze naar beneden bewogen in een groep metalen, en identificeerde het specifieke wiskundige probleem dat een quantumcomputer zou moeten oplossen om het gedrag van het materiaal te begrijpen. Dit suggereert dat de pijplijn niet alleen een hulpmiddel is voor eenvoudige berekeningen, maar een volledig kader dat quantumcomputers kan leiden naar de meest uitdagende problemen in de materiaalkunde.

De implicaties van dit werk reiken veel verder dan de specifiek geteste materialen. Door de handmatige setup-stap te verwijderen, hebben de onderzoekers een pad gecreëerd voor 'high-throughput screening', waarbij quantumalgoritmen in één enkele sweep tegen duizenden materialen getest kunnen worden. Dit stelt wetenschappers in staat om te bestuderen hoe verschillende quantumalgoritmen presteren over een breed scala aan chemische omgevingen, iets wat voorheen onmogelijk was vanwege de tijd die nodig is om elke input voor te bereiden. Bovendien, omdat het gehele proces differentieerbaar is – wat betekent dat de wiskundige stappen achterwaarts kunnen worden getraceerd om te zien hoe veranderingen in het materiaal het uiteindelijke resultaat beïnvloeden – opent dit de deur naar het gelijktijdig optimaliseren van zowel het materiaalontwerp als het quantumalgoritme. De onderzoekers hebben hun tools en data publiekelijk beschikbaar gesteld, in een uitnodiging aan anderen om voort te bouwen op dit fundament. Hoewel huidige quantumcomputers nog steeds beperkt worden door ruis en het aantal qubits die ze kunnen controleren, demonstreert dit werk dat een universele, door AI gestuurde aanpak het beste uit de huidige hardware kan halen. Het transformeert de quantumcomputer van een machine die voor elke deur een op maat gemaakte sleutel vereist, naar een instrument dat een enorme bibliotheek aan materialen kan ontsluiten, wat de ontdekking van nieuwe supergeleiders, halfgeleiders en andere geavanceerde stoffen versnelt.