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

A busca para compreender como os elétrons se movem através de materiais sólidos é um dos desafios mais fundamentais da ciência moderna. Essas partículas minúsculas determinam se uma substância conduz eletricidade, brilha com luz ou se torna um supercondutor que transporta corrente sem resistência. Para prever esses comportamentos, os cientistas dependem tradicionalmente de simulações computacionais complexas que resolvem equações descrevendo a energia de cada elétron em um cristal. Embora esses métodos funcionem bem para pequenas moléculas, eles se tornam incrivelmente difíceis e lentos quando aplicados aos padrões repetitivos e infinitos encontrados em cristais sólidos. Durante décadas, pesquisadores esperaram que computadores quânticos pudessem resolver esses problemas naturalmente, já que operam usando as mesmas regras quânticas que governam os elétrons. No entanto, um grande obstáculo permaneceu: antes que um computador quântico possa começar seu trabalho, os cientistas devem primeiro traduzir o material físico em um formato matemático específico que a máquina possa entender. Este passo de tradução tem sido lento, caro e exigido que um especialista humano ajustasse manualmente as configurações para cada novo material, efetivamente bloqueando o caminho para testar milhares de substâncias diferentes.

Uma equipe de pesquisadores da Universidade Johns Hopkins construiu agora uma ponte sobre este gargalo. Eles desenvolveram um novo fluxo de trabalho que combina um poderoso modelo de inteligência artificial com um algoritmo quântico para calcular as bandas de energia de materiais sólidos. Em vez de pedir a um humano para construir manualmente a descrição matemática para cada novo cristal, eles treinaram uma rede neural para aprender as regras do movimento dos elétrons através da tabela periódica. Uma vez treinada, este modelo de IA pode gerar instantaneamente a descrição matemática necessária para qualquer material feito de 65 elementos diferentes, de metais simples a compostos complexos. Os pesquisadores então alimentaram essas descrições geradas por IA diretamente em um algoritmo quântico rodando em um computador quântico real. O resultado é um sistema que pode prever as propriedades eletrônicas de uma ampla variedade de materiais sem a necessidade de configuração manual lenta, abrindo a porta para a triagem de vastas bibliotecas de materiais para tecnologias futuras.

O cerne desta conquista reside na substituição do antigo método trabalhoso de construção desses modelos matemáticos. Anteriormente, para estudar um novo sólido, um cientista executaria uma simulação pesada para obter um quadro geral, depois ajustaria manualmente os parâmetros para se adequarem aos dados, um processo que poderia levar dias ou semanas para um único material. A nova abordagem utiliza uma ferramenta chamada SlaKoNet, que atua como um tradutor universal. Ela foi treinada em um banco de dados massivo de materiais conhecidos para aprender como os elétrons saltam entre átomos com base em sua distância e tipo. Uma vez concluída esta fase de aprendizado, o modelo pode produzir instantaneamente um mapa matemático fiel para qualquer nova estrutura cristalina que encontrar. Este mapa é então entregue a um algoritmo quântico conhecido como deflação quântica variacional. Este algoritmo é projetado para encontrar os níveis de energia de um sistema, de forma muito semelhante a encontrar as notas específicas que um instrumento musical pode tocar, mas faz isso buscando iterativamente os estados de menor energia e depois "deflacionando-os" do caminho para encontrar os próximos.

Para testar se este novo pipeline funcionava, os pesquisadores primeiro o aplicaram ao silício, um material que é a base da eletrônica moderna. Eles pediram ao sistema para calcular toda a gama de níveis de energia para o silício através de um caminho padrão através de sua estrutura interna. Usando um simulador que mimetiza um computador quântico com três qubits, o sistema reproduziu com sucesso todas as oito bandas de energia com um erro médio de apenas 1,78 milieletronvolts. Este nível de precisão é notavelmente próximo dos valores teóricos exatos, provando que o mapa gerado pela IA era preciso o suficiente para que o computador quântico pudesse trabalhar. Os pesquisadores então deram o próximo passo crítico: rodaram o mesmo cálculo em hardware quântico real fornecido pela IBM. Eles focaram no alumínio, um metal comum, e pediram à máquina para encontrar sua energia de estado fundamental. Embora o hardware real tenha introduzido mais ruído e erro do que o simulador perfeito, o sistema ainda produziu um resultado que estava a apenas cerca de 0,37 elétronvolts do valor exato. Isso demonstrou que todo o processo, desde a IA gerando o mapa até o computador quântico resolvendo-o, poderia funcionar em máquinas reais e imperfeitas disponíveis hoje.

O verdadeiro poder deste método, no entanto, é sua capacidade de generalizar. Os pesquisadores não pararam no silício e no alumínio. Eles aplicaram o exato mesmo fluxo de trabalho a outros cinco materiais, incluindo vários metais que se tornam supercondutores em baixas temperaturas e um composto cerâmico duro. Sem alterar as configurações ou retreinar o modelo, o sistema gerou com sucesso as estruturas de bandas de energia para todos eles. A precisão permaneceu alta, com erros abaixo de 1,8 milieletronvolts para os materiais mais complexos. Isso mostra que o modelo de IA aprendeu um conjunto universal de regras que se aplicam a diferentes tipos de química, desde metais de elétrons livres simples até metais de transição e nitretos. Significa que um único modelo pré-treinado pode agora servir como ponto de partida para o estudo de milhares de materiais diferentes, removendo a necessidade de um especialista humano construir um novo modelo para cada um.

Indo além de níveis de energia simples, os pesquisadores também exploraram como este método poderia enfrentar problemas mais difíceis onde os elétrons interagem fortemente uns com os outros. Em muitos materiais, o comportamento de um elétron depende fortemente dos outros, criando efeitos complexos que são difíceis de simular. A equipe mostrou que seu modelo gerado por IA poderia ser atualizado para incluir essas interações e então resolvido usando uma técnica chamada teoria de campo médio dinâmica. Eles aplicaram isso a um famoso material à base de cobre conhecido por suas fortes correlações eletrônicas. O sistema capturou com sucesso o enfraquecimento dessas correlações conforme eles se moviam através de um grupo de metais e identificou o problema matemático específico que um computador quântico precisaria resolver para entender o comportamento do material. Isso sugere que o pipeline não é apenas uma ferramenta para cálculos simples, mas um framework completo que pode guiar computadores quânticos em direção aos problemas mais desafiadores da ciência dos materiais.

As implicações deste trabalho estendem-se muito além dos materiais específicos testados. Ao remover a etapa de configuração manual, os pesquisadores criaram um caminho para a triagem de alto rendimento, onde algoritmos quânticos poderiam ser testados contra milhares de materiais em uma única varredura. Isso permite que os cientistas estudem como diferentes algoritmos quânticos performam através de uma ampla gama de ambientes químicos, algo que era anteriormente impossível devido ao tempo necessário para preparar cada entrada. Além disso, como todo o processo é diferenciável, o que significa que os passos matemáticos podem ser rastreados de trás para frente para ver como mudanças no material afetam o resultado final, isso abre as portas para otimizar tanto o design do material quanto o algoritmo quântico simultaneamente. Os pesquisadores disponibilizaram suas ferramentas e dados ao público, convidando outros a construir sobre este fundamento. Embora os computadores quânticos atuais ainda sejam limitados pelo ruído e pelo número de qubits que podem controlar, este trabalho demonstra que uma abordagem universal impulsionada por IA pode fazer o melhor uso do hardware atual. Ele transforma o computador quântico de uma máquina que exige uma chave feita sob medida para cada porta em uma ferramenta que pode desbloquear uma vasta biblioteca de materiais, acelerando a descoberta de novos supercondutores, semicondutores e outras substâncias avançadas.