پیوندهای جدید بین محاسبات کوانتومی و یادگیری ماشین در شیمی محاسباتی

پیوندهای جدید بین محاسبات کوانتومی و یادگیری ماشین در شیمی محاسباتی

محاسبات کوانتومی نوید ارتقای توانایی ما در انجام برخی وظایف محاسباتی مهم را در آینده می دهد. یادگیری ماشین، در حال تغییر نحوه ی استفاده ی ما از کامپیوتر ها برای مقاصد روزمره و علمی است.

به منظور بهره‌گیری از مزایای گوناگون، طبیعی است که در جستجوی ارتباطات میان این دو رویکرد نوظهور در محاسبات باشیم. این جستجو به تازگی شروع شده، اما در همین زمان کوتاه هم در حال مواجه شدن با قابلیت‌های بسیاری از این حوزه‌ی ناشناخته هستیم. ما در اینجا دو مقاله‌ی پژوهشی جدید را ارائه می‌دهیم: «اندازه گیری دقیق مشاهده‌پذیرهای کوانتومی با تخمین‌گر‌های شبکه عصبی» منتشرشده در مجله‌ی Physical Review Research و «حالت‌های شبکه عصبی فرمیونی برای ساختار الکترونی ab-initio» منتشر شده در مجله‌ی Nature Communications.

کنترل تابع موج
امروزه تصور می‌شود که یکی از کوتاه‌ترین راه‌ها برای رسیدن به مزیت‌ کوانتومی، پیش‌بینی خواص ساختار الکترونی برای مولکول‌ها و مواد است. از طرف دیگر، شبیه سازی مکانیک کوانتومی، یک کاربرد کاملا جدید برای برجسته‌ترین ابزار یادگیری ماشین یعنی شبکه‌های عصبی است. شبکه‌های عصبی تنها در سال‌های اخیر، به منظور طبقه‌بندی فاز‌های مواد کوانتومی یا به عنوان رویکرد وردشی برای سیستم‌های بس‌ذره‌ای برهمکنش‌کننده مورد استفاده قرار گرفته است.

چیزی که هم کامپیوتر‌های کوانتومی و هم شبکه‌های عصبی برای آن  تلاش می‌کنند، نمایش توابع موج کوانتومی است. از این زمینه‌ی مشترک می‌توان به عنوان نقطه‌ی شروع یافتن ارتباطات محتمل بین این دو حوزه استفاده کرد. هرکدام از این روش‌ها مزایا و معایبی دارند.

اهمیت دقیق بودن
روش وردشی تخمین ویژه مقادیر کوانتومی به همراه دیگر الگوریتم‌های سطحی برای ساختار الکترونی، با بهره‌گیری از حافظه و دستکاری حالت‌های کوانتومی، خواص حالت پایه و برانگیخته سیستم‌های مورد نظر را بازیابی می‌کند. بدین منظور، برای سیستم‌های مولکولی باید مقدار چشمداشتی عملگر‌های هامیلتونی را که انرژی‌های مولکولی را نشان می‌دهند، اندازه‌گیری کنیم. این کار همچنین باید با دقت بالایی انجام شود: یک اندازه‌گیری با افت و خیز‌های تصادفی شدید باعث غیر‌قابل استفاده شدن کل الگوریتم کوانتومی برای مقاصد عملی می‌شود. معلوم شده که کامپیوتر‌های کوانتومی برای این کار، خیلی مناسب نیستند. به طور دقیق‌تر تعداد اندازه‌گیری‌های لازم جهت رسیدن به دقت کافی برای کاربردهایی که دارای مزیت کوانتومی باشند، مانعی برای فناوری فعلی هستند.

محققان در مقاله «اندازه‌گیری دقیق مشاهده‌پذیر‌های کوانتومی با تخمین‌گر‌های شبکه عصبی» می‌گویند: ما برای شبیه‌سازی‌های دقیق‌تر شیمی، از تکنیک‌های شبکه‌ی عصبی در محاسبات کوانتومی استفاده کردیم. این تکنیک بر اساس آموزش یک شبکه‌ی عصبی با داده‌های اندازه گیری بدست آمده از یک کامپیوتر کوانتومی است. به محض اینکه شبکه‌ی عصبی آموزش یافت، یک نمایش جزئی از حالت کوانتومی را کد‌گذاری می‌کند که به اندازه‌ی کافی برای بازیابی انرژی‌های مولکولی با دقت حداکثر مناسب است.

یک کامپیوتر کوانتومی ساخته‌شده بر پایه تخمین‌گر شبکه‌ی عصبی جدید ما، مزایای هر دو رویکرد را دارد. هنگامی ‌که یک مدار کوانتومی در حال اجرا شدن است، ما از توان کامپیوتر‌های کوانتومی به منظور تداخل حالت‌ها در یک فضای هیلبرتی که به صورت نمایی رشد می‌کند، استفاده می‌کنیم. پس از اتمام فرآیند تداخل کوانتومی، یک مجموعه‌ی محدود از اندازه‌گیری‌ها را بدست می‌آوریم. سپس یک ابزار کلاسیکی یعنی شبکه‌ی عصبی مورد نظر، می‌تواند از این میزان محدود داده‌ها استفاده کند تا اطلاعات جزیی یک حالت کوانتومی از جمله انرژی شبیه‌سازی شده‌اش را نمایش دهد.

این انتقال اطلاعات از یک پردازنده‌ی کوانتومی به یک شبکه‌ی کلاسیک، سوال بزرگی را در ذهن  ما به جا می‌گذارد: شبکه‌های عصبی، در بازتولید همبستگی‌های کوانتومی یک مجموعه داده‌ی اندازه‌گیری محدود که از طریق نمونه‌برداری توابع موج مولکولی بدست آمده، چه میزان موفق عمل می‌کنند؟

جعبه ابزار محاسبات کوانتومی برای دانشمندان حوزه‌‌های محاسباتی
ما باید درباره‌ی نحوه‌ی تقلید رفتار مواد فرمیونی به وسیله‌ی شبکه‌های عصبی فکر کنیم. شبکه‌های عصبی تاکنون برای شبیه‌سازی شبکه‌ی اسپینی و مسائل فضای پیوسته استفاده شده بودند و حل مدل‌های فرمیونی با شبکه‌ی عصبی، به عنوان یک کار دشوار باقی ماند. ما برای پیدا کردن راه حل این مسئله، به سراغ روش شبیه‌سازی مولکول‌ها با کامپیوتر‌های کوانتومی رفتیم.

ما از کدگذاری‌های درجات آزادی فرمیونی برای کیوبیت‌ها استفاده کردیم که بسیار شبیه به کدگذاری‌های مورد استفاده در شبیه‌سازی‌های مولکولی انجام شده به وسیله‌ی کامپیوتر‌های کوانتومی از قبیل الگوریتم‌های وردشی هستند. ما با این نگاشت‌ها، حالت‌های شبکه عصبی فرمیونی را تعریف کرده‌ایم. ما این حالت‌ها را برخلاف حالت‌های پایه‌ی مولکولی که هم در محاسبات کوانتومی و هم کلاسیکی، عملا ‌اشیای کوانتومی هستند، بر روی یک کامپیوتر کلاسیکی امتحان کردیم.

نویسندگان مقاله «حالت‌های شبکه عصبی فرمیونی برای ساختار الکترونی ab-initio» می‌گویند: ما نشان داده‌ایم که شبکه‌های عصبی سطحی همچون ماشین‌های بولتزمن محدودشده می‌توانند با استفاده از تکنیک‌های مونت کارلوی وردشی، انرژی‌های حالت پایه‌ی سیستم‌های مولکولی کوچک را بازتولید کنند.

نتایج این کار هم محاسبات کوانتومی و هم کلاسیک را تحت تاثیر قرار می‌دهد. در واقع از یک طرف کار ما پیشنهاد می‌کند که ما می‌توانیم شبکه‌های عصبی را بر پایه داده‌های کوانتومی بدست آمده از سیستم‌های مولکولی آموزش دهیم. از طرف دیگر نشان داده‌ایم که ابزار‌های محاسبات کوانتومی از قبیل کدگذاری فرمیون به کیوبیت می‌توانند در بحث تکنیک‌های محاسباتی کلاسیکی نیز استفاده شوند.

این پیوند‌ها موجب تقویت تعاملات دوطرفه میان علوم محاسباتی کلاسیک و محاسبات کوانتومی خواهند شد. این امر برای محاسبات کوانتومی ممکن است به این معنی باشد که کاربرد‌های آتی در شبیه‌سازی کوانتومی به طور فزاینده از پردازش داده‌های کوانتومی به وسیله‌ی تکنیک‌های یادگیری ماشین سود خواهد برد. به نظر می‌رسد وقت آن است که برای فیزیک و شیمی محاسباتی، به سراغ آنچه که از الگوریتم‌های محاسبات کوانتومی می‌توان آموخت برویم.
منبع: phys.org
كلمات كليدي :
شیمی محاسباتی , شبیه سازی کوانتومی
 
امتیاز دهی
 
 

نظر شما
نام  
پست الكترونيک
وب سایت
متنی که در تصویر می بینید عینا تایپ نمایید
نظر
login