La computación cuántica promete mejorar nuestra capacidad para realizar algunas tareas computacionales críticas en el futuro. El aprendizaje automático está cambiando la forma en que usamos las computadoras en nuestra vida cotidiana actual y en la ciencia. Es natural buscar conexiones entre estos dos enfoques emergentes de la informática, con la esperanza de cosechar múltiples beneficios. La búsqueda de enlaces de conexión acaba de comenzar, pero ya estamos viendo un gran potencial en esta naturaleza, Territorio inexplorado. Presentamos aquí dos nuevos artículos de investigación:"Medición precisa de observables cuánticos con estimadores de redes neuronales, "publicado en Physical Review Research, y "Estados de redes neuronales fermiónicas para estructuras electrónicas ab-initio, " publicado en Comunicaciones de la naturaleza .

Domesticar la función de onda

Hoy dia, Se cree que la predicción de las propiedades de la estructura electrónica de moléculas y materiales es uno de los caminos más cortos hacia la ventaja cuántica.

Simulando la mecánica cuántica, por otra parte, es una aplicación completamente nueva para la herramienta más avanzada del aprendizaje automático:las redes neuronales. Solo en los últimos años se han utilizado las redes neuronales para clasificar las fases de la materia cuántica o como ansatz variacional para interactuar con muchos sistemas corporales.

Representar las funciones de onda cuántica es algo que tanto las computadoras cuánticas como las redes neuronales se esfuerzan por hacer. Este terreno común se puede utilizar como punto de partida para la exploración de posibles conexiones. Cada enfoque tiene sus ventajas, y sus puntos débiles.

La importancia de ser preciso

El eigensolver cuántico variacional (VQE), junto con otros algoritmos de baja profundidad para la estructura electrónica, explota el almacenamiento y la manipulación de estados cuánticos para recuperar las propiedades del estado fundamental y excitado de los sistemas cuánticos de interés. Para hacer eso, para el caso de los sistemas moleculares, necesitamos medir el valor esperado de los operadores hamiltonianos, que representan energías moleculares. También necesitamos hacer eso de manera muy precisa:una medición con fuertes fluctuaciones aleatorias haría que todo el algoritmo cuántico fuera inutilizable para fines prácticos. Como resulta, Las computadoras cuánticas no son muy buenas en esta tarea. Más específicamente, el número de mediciones para lograr la precisión suficiente para aplicaciones que mostrarían una ventaja cuántica es prohibitivo para la tecnología actual.

En PRR "Medición precisa de observables cuánticos con estimadores de redes neuronales, "una colaboración con dos investigadores del Flatiron Institute, Giacomo Torlai y Giuseppe Carleo, Usamos técnicas de redes neuronales en computación cuántica para simulaciones químicas más precisas. La técnica se basa en el entrenamiento de una red neuronal, con datos de medición recopilados en una computadora cuántica. Una vez entrenado, la red neuronal codifica una representación parcial del estado cuántico, lo cual es lo suficientemente bueno para recuperar energías moleculares con extrema precisión.

Una computadora cuántica integrado con nuestro nuevo estimador de redes neuronales, combina las ventajas de los dos enfoques.

Una computadora cuántica integrado con nuestro nuevo estimador de redes neuronales, combina las ventajas de los dos enfoques. Mientras se ejecuta un circuito cuántico de elección, explotamos el poder de las computadoras cuánticas para interferir estados en un espacio de Hilbert de crecimiento exponencial. Una vez que el proceso de interferencia cuántica ha seguido su curso, obtenemos una colección finita de medidas. Entonces, una herramienta clásica, la red neuronal, puede usar esta cantidad limitada de datos para representar de manera eficiente información parcial de un estado cuántico, como su energía simulada.

Esta transferencia de datos desde un procesador cuántico a una red clásica nos deja con la gran pregunta:

¿Qué tan buenas son las redes neuronales para capturar las correlaciones cuánticas de un conjunto de datos de medición finito? genera funciones de onda molecular de muestreo?

Caja de herramientas de computación cuántica para científicos computacionales

Para responder a esta pregunta, tuvimos que pensar en cómo la red neuronal podría emular la materia fermiónica. Las redes neuronales se habían utilizado hasta ahora para la simulación de problemas de celosía de espín y de espacio continuo. Resolver modelos fermiónicos con redes neuronales siguió siendo una tarea difícil de alcanzar. Para encontrar una forma de evitar eso analizamos la forma en que se simulan las moléculas en las computadoras cuánticas.

Usamos codificaciones de grados de libertad fermiónicos para qubit, que son las mismas codificaciones que se utilizan al realizar simulaciones moleculares en computadoras cuánticas, como en los algoritmos variacionales. Con estas asignaciones, disponible en Qiskit Aqua, hemos definido estados de redes neuronales fermiónicas. Los probamos en una computadora clásica, contra estados moleculares fundamentales, que son objetos cuánticos de interés práctico tanto para cálculos cuánticos como clásicos.

En el artículo de Nature Communications de mayo, 2020, escrito con Kenny Choo (Universidad de Zúrich) y Giuseppe Carleo (Instituto Flatiron), Hemos demostrado que las redes neuronales poco profundas, como las máquinas de Boltzmann restringidas, pueden capturar las energías del estado fundamental de los sistemas moleculares pequeños. utilizando técnicas variacionales de Monte Carlo.

Los resultados de este trabajo impactan tanto en la computación cuántica como en la clásica. De hecho, Por un lado, Nuestro trabajo sugiere que podemos entrenar redes neuronales de forma segura con datos cuánticos de sistemas moleculares. Por otra parte, hemos demostrado que las herramientas de computación cuántica, como codificaciones de fermiones a qubit, se puede utilizar en el contexto de las técnicas computacionales clásicas.

Estos vínculos reforzarán aún más las interacciones mutuas entre la ciencia computacional clásica y las comunidades de computación cuántica. Para la computación cuántica, puede significar que las aplicaciones futuras en el espacio de la simulación cuántica se beneficiarán cada vez más del procesamiento de datos cuánticos mediante técnicas de aprendizaje automático. Para física y química computacional, es hora de empezar a analizar qué se puede aprender de los algoritmos de computación cuántica.