A computação quântica promete melhorar nossa capacidade de realizar algumas tarefas computacionais críticas no futuro. O aprendizado de máquina está mudando a maneira como usamos os computadores em nossa vida cotidiana atual e na ciência. É natural buscar conexões entre essas duas abordagens emergentes de computação, na esperança de colher vários benefícios. A busca por links de conexão acabou de começar, mas já estamos vendo muito potencial nesta natureza, território inexplorado. Apresentamos aqui dois novos artigos de pesquisa:"Medição precisa de observáveis ​​quânticos com estimadores de rede neural, "publicado na Physical Review Research, e "Estados da rede neural fermiônica para estrutura eletrônica ab-initio, " publicado em Nature Communications .

Domando a função de onda

Hoje, a previsão das propriedades da estrutura eletrônica para moléculas e materiais é considerada um dos caminhos mais curtos para a vantagem quântica.

Simulando a mecânica quântica, por outro lado, é um aplicativo totalmente novo para a ferramenta mais avançada de aprendizado de máquina:redes neurais. Apenas nos últimos anos as redes neurais foram usadas para classificar fases da matéria quântica ou como ansatz variacional para interagir com muitos sistemas do corpo.

Representar funções de ondas quânticas é algo que tanto os computadores quânticos quanto as redes neurais se esforçam para fazer. Este terreno comum pode ser usado como um ponto de partida para a exploração de possíveis conexões. Cada abordagem tem suas vantagens, e seus pontos fracos.

A importância de ser preciso

O autossolvedor quântico variacional (VQE), junto com outros algoritmos de baixa profundidade para estrutura eletrônica, explora o armazenamento e a manipulação de estados quânticos para recuperar propriedades do estado fundamental e excitado de sistemas quânticos de interesse. Fazer isso, para o caso de sistemas moleculares, precisamos medir o valor esperado dos operadores hamiltonianos, que representam energias moleculares. Também precisamos fazer isso com muita precisão:uma medição com fortes flutuações aleatórias tornaria todo o algoritmo quântico inutilizável para fins práticos. Acontece que os computadores quânticos não são muito bons nessa tarefa. Mais especificamente, o número de medições para atingir precisão suficiente para aplicações que mostrariam vantagem quântica é proibitivo para a tecnologia atual.

No PRR's "Medição precisa de observáveis ​​quânticos com estimadores de rede neural, "uma colaboração com dois pesquisadores do Flatiron Institute, Giacomo Torlai e Giuseppe Carleo, usamos técnicas de rede neural em computação quântica para simulações de química mais precisas. A técnica é baseada no treinamento de uma rede neural, com dados de medição coletados em um computador quântico. Uma vez treinado, a rede neural codifica uma representação parcial do estado quântico, o que é bom o suficiente para recuperar energias moleculares com extrema precisão.

Um computador quântico, integrado com nosso novo estimador de rede neural, combina as vantagens das duas abordagens.

Um computador quântico, integrado com nosso novo estimador de rede neural, combina as vantagens das duas abordagens. Enquanto um circuito quântico de escolha está sendo executado, exploramos o poder dos computadores quânticos para interferir nos estados em um espaço de Hilbert em crescimento exponencial. Após o processo de interferência quântica ter concluído seu curso, obtemos uma coleção finita de medidas. Em seguida, uma ferramenta clássica - a rede neural - pode usar essa quantidade limitada de dados para ainda representar com eficiência informações parciais de um estado quântico, como sua energia simulada.

Essa transferência de dados de um processador quântico para uma rede clássica nos deixa com a grande questão:

Quão boas são as redes neurais em capturar as correlações quânticas de um conjunto de dados de medição finito, gerou amostragem de funções de onda molecular?

Caixa de ferramentas de computação quântica para cientistas da computação

Para responder a esta pergunta, tivemos que pensar em como a rede neural poderia emular matéria fermiônica. As redes neurais foram usadas até agora para a simulação de rede de spin e problemas de espaço contínuo. Resolver modelos fermiônicos com rede neural permaneceu uma tarefa difícil. Para encontrar uma maneira de contornar isso, examinamos a forma como as moléculas são simuladas em computadores quânticos.

Usamos codificações de graus fermiônicos de liberdade para qubit os, que são as mesmas codificações usadas ao realizar simulações moleculares em computadores quânticos, como em algoritmos variacionais. Com esses mapeamentos, disponível no Qiskit Aqua, definimos estados da rede neural fermiônica. Nós os testamos em um computador clássico, contra estados básicos moleculares, que são objetos quânticos de interesse prático para cálculos quânticos e clássicos.

No artigo da Nature Communications de maio, 2020, escrito com Kenny Choo (Universidade de Zurique) e Giuseppe Carleo (Instituto Flatiron), mostramos que redes neurais rasas, como máquinas de Boltzmann restritas, podem capturar as energias do estado fundamental de pequenos sistemas moleculares, usando técnicas variacionais de Monte Carlo.

Os resultados deste trabalho impactam tanto a computação quântica quanto a clássica. Na verdade, por um lado, nosso trabalho sugere que podemos treinar redes neurais com segurança em dados quânticos de sistemas moleculares. Por outro lado, mostramos que as ferramentas de computação quântica, como codificações férmion-para-qubit, pode ser usado no contexto de técnicas computacionais clássicas.

Esses links irão reforçar ainda mais as interações mútuas entre a ciência da computação clássica e as comunidades de computação quântica. Para computação quântica, pode significar que aplicações futuras no espaço de simulação quântica irão se beneficiar cada vez mais do processamento de dados quânticos por técnicas de aprendizado de máquina. Para física e química computacional, é hora de começar a ver o que pode ser aprendido com algoritmos de computação quântica.