Nye forbindelser mellem kvanteberegning og maskinlæring i beregningskemi

Quantum computing lover at forbedre vores evne til at udføre nogle kritiske beregningsopgaver i fremtiden. Maskinlæring ændrer den måde, vi bruger computere på i vores nuværende hverdag og i videnskab. Det er naturligt at søge forbindelser mellem disse to nye tilgange til computing, i håbet om at høste flere fordele. Søgningen efter forbindelseslinks er lige startet, men vi ser allerede et stort potentiale i denne vilde natur, uudforsket område. Vi præsenterer her to nye forskningsartikler:"Præcis måling af kvanteobserverbare med neurale netværksestimatorer, "offentliggjort i Physical Review Research, og "Fermioniske neurale netværkstilstande til ab-initio elektronisk struktur, "udgivet i Naturkommunikation .

Tamning af bølgefunktionen

I dag, forudsigelsen af ​​elektroniske strukturegenskaber for molekyler og materialer menes at være en af ​​de korteste veje til kvantefordel.

Simulering af kvantemekanik, på den anden side, er en helt ny applikation til det skarpeste værktøj til maskinlæring:neurale netværk. Kun i de senere år er neurale netværk blevet brugt til at klassificere faser af kvantemateriale eller som varianter for at interagere mange kropssystemer.

Repræsentation af kvantebølgefunktioner er noget, som både kvantecomputere og neurale netværk stræber efter at gøre. Denne fælles grund kan bruges som udgangspunkt for udforskning af mulige forbindelser. Hver tilgang har sine fordele, og dens svage sider.

Vigtigheden af ​​at være præcis

Den variationskvantum eigensolver (VQE), sammen med andre lavdybde-algoritmer til elektronisk struktur, udnytter lagring og manipulation af kvantetilstande til at hente jordede og ophidsede tilstandsegenskaber for kvantesystemer af interesse. At gøre det, for molekylære systemer, vi skal måle forventningsværdien for hamiltonske operatører, som repræsenterer molekylære energier. Vi skal også gøre det meget præcist:en måling med store tilfældige udsving ville gøre hele kvantealgoritmen ubrugelig til praktiske formål. Det viser sig, kvantecomputere er ikke særlig gode til denne opgave. Mere specifikt, antallet af målinger til at opnå tilstrækkelig præcision til applikationer, der ville vise kvantefordele, er uoverkommelig for den nuværende teknologi.

I PRRs "Præcis måling af kvanteobserverbare med neurale netværksestimatorer, "et samarbejde med to forskere fra Flatiron Institute, Giacomo Torlai og Giuseppe Carleo, vi brugte neurale netværksteknikker på kvanteberegning til mere præcise kemisimuleringer. Teknikken er baseret på træning af et neuralt netværk, med måledata indsamlet på en kvantecomputer. Når først uddannet, det neurale netværk koder for en delvis repræsentation af kvantetilstanden, hvilket er godt nok til at genvinde molekylære energier med ekstrem præcision.

En kvantecomputer, integreret med vores nye neurale netværksestimator, kombinerer fordelene ved de to tilgange.

En kvantecomputer, integreret med vores nye neurale netværksestimator, kombinerer fordelene ved de to tilgange. Mens et valgmæssigt kvantekredsløb udføres, vi udnytter kvantecomputers magt til at forstyrre stater i et eksponentielt voksende Hilbert-rum. Efter at kvanteinterferensprocessen har virket, vi får en endelig samling målinger. Så kan et klassisk værktøj - det neurale netværk - bruge denne begrænsede mængde data til stadig effektivt at repræsentere delvis information om en kvantetilstand, såsom dens simulerede energi.

Denne overførsel af data fra en kvanteprocessor til et klassisk netværk efterlader os det store spørgsmål:

Hvor gode er neurale netværk til at fange kvantekorrelationerne i et endelig målesæt, genereret prøveudtagning af molekylære bølgefunktioner?

Quantum computing værktøjskasse til beregningsforskere

For at besvare dette spørgsmål, vi måtte tænke på, hvordan neuralt netværk kunne efterligne fermionisk stof. Neurale netværk var hidtil blevet brugt til simulering af spin-gitter og problemer med kontinuerlig plads. At løse fermioniske modeller med neuralt netværk forblev en undvigende opgave. For at finde en vej udenom det, vi undersøgte måden, hvorpå molekyler simuleres på kvantecomputere.

Vi brugte kodninger af fermioniske frihedsgrader til at qubit dem, som er de samme kodninger, der bruges, når der udføres molekylære simuleringer på kvantecomputere, som i variansalgoritmer. Med disse kortlægninger, tilgængelig på Qiskit Aqua, vi har defineret fermioniske neurale netværkstilstande. Vi testede dem på en klassisk computer, mod molekylære jordtilstande, som er kvanteobjekter af praktisk interesse for både kvante- og klassiske beregninger.

I Nature Communications -artiklen fra maj, 2020, skrevet med Kenny Choo (University of Zurich) og Giuseppe Carleo (Flatiron Institute), vi har vist, at overfladiske neurale netværk såsom begrænsede Boltzmann -maskiner kan fange jordtilstandsenergier i små molekylære systemer, ved hjælp af variationer i Monte Carlo -teknikker.

Resultaterne af dette arbejde påvirker både kvante- og klassisk computing. Faktisk, på den ene side, vores arbejde tyder på, at vi sikkert kan træne neurale netværk på kvantedata fra molekylære systemer. På den anden side, vi har vist, at kvanteberegningsværktøjer, såsom fermion-til-qubit-kodninger, kan bruges i forbindelse med klassiske beregningsteknikker.

Disse links vil yderligere styrke gensidige interaktioner mellem den klassiske beregningsvidenskab og kvanteberegningssamfund. Til kvanteberegning, det kan betyde, at fremtidige applikationer i kvantesimuleringsrummet i stigende grad vil drage fordel af behandling af kvantedata ved hjælp af maskinlæringsteknikker. For beregningsfysik og kemi, det er på tide at begynde at se på, hvad der kan læres af kvanteberegningsalgoritmer.