将量子计算机当作神经网络,首次模拟化学反应,谷歌新研究登上Science封面

Posted AI科技评论

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了将量子计算机当作神经网络,首次模拟化学反应,谷歌新研究登上Science封面相关的知识,希望对你有一定的参考价值。


作者 | 青 暮

准确的电子结构计算被认为是量子计算最令人期待的应用之一,它将彻底改变理论化学和其他相关领域。
由于量子系统的参数数量和复杂度都随粒子数的增加而指数级增加,因此除了极小的系统以外,所有其他量子化学方程式都无法得到精确解。
量子计算机可以利用独特的量子力学特性来处理其经典计算机难以进行的计算,从而可以实现复杂化学过程的模拟。
利用Sycamore量子处理器,谷歌AI量子团队开始往这个方向探索。他们对两个中等规模的化学问题进行了变分量子本征求解器(VQE)模拟,分别 求解了氢链的结合能(包括H6、H8、H10、H12)和二氮烯的异构化机制 ,相关研究论文《Hartree-Fock on a superconducting qubit quantum computer》刊登在Science封面上。
据Sundar Pichai在推特上介绍, 这是有史以来最大规模的量子化学模拟,并且是首次利用量子计算机模拟化学反应。
将量子计算机当作神经网络,首次模拟化学反应,谷歌新研究登上Science封面
如今的量子计算机足以在某些任务上获得相对于经典计算机的明显优势。2019年10月,谷歌的一项关于量子计算的研究登上了Nature封面。他们用53个量子比特的量子计算机Sycamore实现了量子优越性。
论文中指出,他们的量子计算机用3分20秒完成了一项任务,而超级计算机Summit则需要1万年才能完成同样的任务。IBM 的研究者后来发表论文纠正道,在Summit上模拟Sycamore根本不需要1万年,只需要两天半。尽管IBM并没有进行实验,但这一结论也得到了行业专家的认可。不过,3分20秒相对于两天半仍然是巨大的优势。
Sycamore量子处理器由54个transmon量子位的二维阵列组成。每个量子比特可调谐地耦合到矩形格子中的四个最近邻量子比特。
谷歌对多达12个量子比特(包括多达72个两比特量子门)的超导量子电路进行了仿真,结果表明, 当VQE与错误缓解策略结合使用时,可以实现足够的化学精度 。其中, VQE算法的关键构建块有望扩展到经典计算机无法模拟的更大规模系统。
2017年9月14日,IBM的一篇论文《Hardware-efficient Variational Quantum Eigensolver for Small Molecules and Quantum Magnets》发表在Nature上。在这项研究中,IBM演示了6量子比特的哈密顿问题的实验优化,确定了分子尺寸不断增加(直至BeH2)的基态能量。
谷歌表示,他们只计算了化学系统的Hartree-Fock逼近,但其规模两倍于IBM的量子化学模拟,仅需要最近邻耦合,并且包含了10倍的量子门操作。
最后,谷歌还发布了该实验的代码,该代码基于OpenFermion开源库(用于化学量子计算)。
Science论文地址:https://science.sciencemag.org/content/369/6507/1084
arXiv地址:https://arxiv.org/abs/2004.04174
GitHub地址:https://github.com/quantumlib/ReCirq/tree/master/recirq/hfvqe       
将量子计算机当作神经网络,首次模拟化学反应,谷歌新研究登上Science封面 Google的Sycamore处理器安装在低温恒温器中,最近用于证明量子优越性和量子计算机上最大的量子化学模拟。图片来源:Rocco Ceselin

1

用于化学模拟的错误鲁棒量子算法

利用量子计算机,有多种方法可以模拟分子系统的基态能量。在这项工作中,谷歌从量子算法“构件块”或电路图元出发,并通过VQE完善其性能(稍后会详细介绍)。
在经典设置中,该电路图元等效于Hartree-Fock模型,并且是谷歌先前为优化化学模拟而开发的算法的重要电路组件。因此,谷歌在之后专注于扩大规模,而不需要花费大量的仿真来验证设备。 在接近“超越传统”的边界时,在该组件上的鲁棒错误缓解对于准确的仿真至关重要。
量子计算中的错误源于量子电路与环境的相互作用,从而导致逻辑运算出现错误。即使很小的温度波动也可能导致量子比特错误。
在当下,用于模拟化学反应的量子算法必须以较低的成本解决这些错误,无论是在量子比特的数量方面,还是在额外的量子资源方面,例如实现量子纠错码。
解决错误最流行的方法是使用VQE。谷歌选择了几年前开发的VQE, 它将量子处理器看成神经网络,并通过最小化成本函数来优化量子电路的参数。 就像传统的神经网络可以通过优化弥补数据中的缺陷,VQE可以动态调整量子电路参数以解决量子计算过程中发生的错误。
将量子计算机当作神经网络,首次模拟化学反应,谷歌新研究登上Science封面 图1:基础旋转电路和编译。a)电路图的左边是H12链的初始轨道,原子间距为1.3 A,是通过将哈密顿量对角化而忽略电子-电子相互作用而获得的。电路图描绘了十二个氢原子线性链的基本旋转ansatz。每个具有旋转角度θ的灰色框代表一个Givens旋转门。b)将Givens旋转门编译为√iswap门和单量子比特门,可以直接在硬件中实现。H12电路涉及72个√iswap门和108个单量子比特Z旋转门,总共有36个变分参数。c)在整个54比特Sycamore器件的子网格上描绘十二个量子线。所有电路仅需要执行在线性拓扑中相邻的量子比特对之间的量子门。


2

通过Sycamore实现高精度模拟

该实验在Sycamore处理器上运行。尽管这次的实验需要的量子比特更少,但是求解化学键合需要更高的量子门保真度。于是,谷歌开发了新的、有针对性的校准技术,该技术可以最优地放大错误,从而可以对其进行诊断和纠正。
将量子计算机当作神经网络,首次模拟化学反应,谷歌新研究登上Science封面 图2:在Sycamore处理器的10、12量子比特上,通过Hartree-Fock模型对分子几何形状进行能量预测,展示了VQE在区分二氮烯异构化机制上的性能,异构化指的是二氮烯的顺式(cis)和反式(trans)结构。TS1和TS2分别是氢在平面内和平面外旋转的过渡状态。TS1和TS2上的黄色箭头表示相应的反应坐标。在上图中,实曲线是通过优化10个量子比特问题获得的能量,该问题是通过冻结由两个自洽场周期生成的核心轨道而生成的。相同颜色的透明线是完整的12量子比特系统的能量,表明冻结最低的两个能级不会更改模型化学的特性。谷歌使用VQE在Sycamore上模拟了反应路径上的九个点。
量子计算中的错误来自量子硬件堆栈,有多种来源。Sycamore有54个量子比特,由140多个单独可调的元件组成,每个元件都由高速的模拟电脉冲控制。要实现对整个设备的精确控制,需要对2,000多个控制参数进行微调,即使是微小错误也可以迅速让计算中的总体错误扩大。
为了准确地控制设备,谷歌使用了自动化的框架,该框架将控制问题映射到具有数千个节点的图形上,每个节点代表一个物理实验以确定一个未知参数。遍历此图可实现高保真量子处理器,并且可以在不到一天的时间内完成。最终,这些技术与算法错误缓解技术一起降低了错误的数量级。
  
           图3:氢原子线性链的能量随着每个原子之间的键距增加而增加。实线是使用经典计算机进行的Hartree-Fock模拟,而点是使用Sycamore处理器计算得到的。在H8、H10和H12上进行的实验表明,缓解错误后性能得到了相似的提高。
谷歌表示,希望该实验可以作为在量子处理器上进行化学计算的蓝图,以及作为实现物理模拟优势的起点。
他们还提到,目前已经了解了如何以一种简单的方式修改实验中使用的量子电路,以使它们不再有效地可仿真,并表示这将为改进的量子算法和应用确定新的方向。

[博文视点赠书福利]

AI科技评论联合博文视点赠送周志华教授“森林树”十五本,在一文留言区留言,谈一谈你和集成学习有关的学习、竞赛等经历。

AI 科技评论将会在留言区选出15名读者,每人送出《集成学习:基础与算法》一本。

活动规则:

1. 在一留言区留言,留言点赞最高的前 15 位读者将获得赠书。获得赠书的读者请联系 AI 科技评论客服(aitechreview)。

2. 留言内容会有筛选,例如“选我上去”等内容将不会被筛选,亦不会中奖。


阅读原文,直达“ KDD”小组,了解更多会议信息!

以上是关于将量子计算机当作神经网络,首次模拟化学反应,谷歌新研究登上Science封面的主要内容,如果未能解决你的问题,请参考以下文章

1个GPU几分钟搞定强化学习训练,谷歌新引擎让深度学习提速1000倍丨开源

从2^N到N^2:量子计算开始助推神经网络!华人学者首次展示量子优势

DeepMind让AI首次在量子水平描述物质!Nature:化学领域最有价值技术之一

数据缩至1/5000,模型准确率却翻倍,谷歌新“蒸馏法”火了 | ICLR&NeurIPS

谷歌新AI火了!世界最长单词都能画:Pneumonoultramicroscopicsilicovolcanoconiosis

谷歌新深度学习系统可以促进放射科医生的发展