Wetenschap
Krediet:CC0 Publiek Domein
Quantum computing belooft ons vermogen om in de toekomst een aantal cruciale rekentaken uit te voeren, te verbeteren. Machine learning verandert de manier waarop we computers gebruiken in ons huidige dagelijks leven en in de wetenschap. Het is normaal om verbanden te zoeken tussen deze twee opkomende benaderingen van computergebruik, in de hoop meerdere voordelen te behalen. De zoektocht naar verbindende links is net begonnen, maar we zien al veel potentieel in deze wildernis, onontgonnen terrein. We presenteren hier twee nieuwe onderzoeksartikelen:"Precise measurement of quantum observables with neural network estimators, " gepubliceerd in Physical Review Research, en "Fermionische neurale netwerktoestanden voor ab-initio elektronische structuur, " gepubliceerd in Natuurcommunicatie .
De golffunctie temmen
Vandaag, de voorspelling van elektronische structuureigenschappen voor moleculen en materialen wordt beschouwd als een van de kortste paden naar kwantumvoordeel.
Simuleren van kwantummechanica, anderzijds, is een gloednieuwe applicatie voor de scherpste tool van machine learning:neurale netwerken. Pas in de afgelopen jaren zijn neurale netwerken gebruikt om fasen van kwantummaterie te classificeren of als variatieve ansatz voor interactie met veel lichaamssystemen.
Het weergeven van kwantumgolffuncties is iets waar zowel kwantumcomputers als neurale netwerken naar streven. Deze gemeenschappelijke basis kan als uitgangspunt worden gebruikt voor het verkennen van mogelijke verbindingen. Elke aanpak heeft zijn voordelen, en zijn zwakke punten.
Het belang van nauwkeurig zijn
De variatiekwantum eigensolver (VQE), samen met andere lage-diepte-algoritmen voor elektronische structuur, maakt gebruik van opslag en manipulatie van kwantumtoestanden om grond- en aangeslagen toestandseigenschappen van interessante kwantumsystemen op te halen. Om dat te doen, voor het geval van moleculaire systemen, we moeten de verwachtingswaarde van Hamiltoniaanse operatoren meten, die moleculaire energieën vertegenwoordigen. Dat moeten we ook heel precies doen:een meting met zware willekeurige fluctuaties zou het hele kwantumalgoritme onbruikbaar maken voor praktische doeleinden. Zoals het blijkt, kwantumcomputers zijn niet erg goed in deze taak. Specifieker, het aantal metingen om voldoende precisie te bereiken voor toepassingen die kwantumvoordeel zouden aantonen, is onbetaalbaar voor de huidige technologie.
In PRR's "Precieze meting van kwantumwaarnemers met schatters van neurale netwerken, " een samenwerking met twee onderzoekers van het Flatiron Institute, Giacomo Torlai en Giuseppe Carleo, we gebruikten neurale netwerktechnieken op kwantumcomputing voor nauwkeuriger chemiesimulaties. De techniek is gebaseerd op de training van een neuraal netwerk, met meetgegevens verzameld op een kwantumcomputer. Eenmaal getraind, het neurale netwerk codeert voor een gedeeltelijke weergave van de kwantumtoestand, wat goed genoeg is om moleculaire energieën met uiterste precisie terug te winnen.
Een kwantumcomputer, geïntegreerd met onze nieuwe neurale netwerkschatter, combineert de voordelen van beide benaderingen.
Een kwantumcomputer, geïntegreerd met onze nieuwe neurale netwerkschatter, combineert de voordelen van beide benaderingen. Terwijl een quantumcircuit naar keuze wordt uitgevoerd, we benutten de kracht van kwantumcomputers om toestanden te verstoren in een exponentieel groeiende Hilbert-ruimte. Nadat het kwantuminterferentieproces zijn loop heeft gehad, we krijgen een eindige verzameling metingen. Dan kan een klassiek hulpmiddel - het neurale netwerk - deze beperkte hoeveelheid gegevens gebruiken om nog steeds efficiënt gedeeltelijke informatie van een kwantumtoestand weer te geven, zoals de gesimuleerde energie.
Deze overdracht van gegevens van een kwantumprocessor naar een klassiek netwerk laat ons de grote vraag achter:
Hoe goed zijn neurale netwerken in het vastleggen van de kwantumcorrelaties van een eindige meetdataset, gegenereerde bemonstering van moleculaire golffuncties?
Quantum computing-toolbox voor computationele wetenschappers
Om deze vraag te beantwoorden, we moesten nadenken over hoe een neuraal netwerk fermionische materie zou kunnen nabootsen. Neurale netwerken waren tot nu toe gebruikt voor de simulatie van spinrooster- en continue-ruimteproblemen. Het oplossen van fermionische modellen met neuraal netwerk bleef een ongrijpbare taak. Om daar een weg in te vinden, we hebben gekeken naar de manier waarop moleculen worden gesimuleerd op kwantumcomputers.
We gebruikten coderingen van fermionische vrijheidsgraden voor qubits, die dezelfde coderingen zijn die worden gebruikt bij het uitvoeren van moleculaire simulaties op kwantumcomputers, zoals in variatiealgoritmen. Met deze toewijzingen beschikbaar op Qiskit Aqua, we hebben fermionische neurale netwerktoestanden gedefinieerd. We hebben ze getest op een klassieke computer, tegen moleculaire grondtoestanden, die kwantumobjecten van praktisch belang zijn voor zowel kwantum- als klassieke berekeningen.
In het Nature Communications-artikel van mei, 2020, geschreven met Kenny Choo (Universiteit van Zürich) en Giuseppe Carleo (Flatiron Institute), we hebben aangetoond dat ondiepe neurale netwerken zoals beperkte Boltzmann-machines grondtoestandsenergieën van kleine moleculaire systemen kunnen vastleggen, met behulp van verschillende Monte Carlo-technieken.
De resultaten van dit werk hebben invloed op zowel kwantum- als klassieke informatica. In feite, aan de ene kant, ons werk suggereert dat we neurale netwerken veilig kunnen trainen op kwantumgegevens van moleculaire systemen. Anderzijds, we hebben aangetoond dat kwantumcomputertools, zoals fermion-naar-qubit-coderingen, kan worden gebruikt in de context van klassieke rekentechnieken.
Deze koppelingen zullen de onderlinge interactie tussen de klassieke computerwetenschap en kwantumcomputergemeenschappen verder versterken. Voor kwantumcomputers, het kan betekenen dat toekomstige toepassingen in de kwantumsimulatieruimte in toenemende mate zullen profiteren van de verwerking van kwantumgegevens door machine learning-technieken. Voor computationele fysica en chemie, het is tijd om te gaan kijken naar wat er kan worden geleerd van quantum computing-algoritmen.
Veel verbindingen absorberen licht in het zichtbare of ultraviolette gedeelte van het elektromagnetische spectrum. Door de wet van Beer te gebruiken, kunt u de concentratie van een oplossing
Wetenschap © https://nl.scienceaq.com