AI i kvantni računari ubrzavaju otkrivanje kvantnih materijala

Tihi, ali značajan prelaz menja način na koji naučnici dizajniraju materijale koji pokreću modernu tehnologiju. Od bržih računara do energetski efikasnije elektronike, naredni talas tehnoloških proboja mogao bi doći iz materijala oblikovanih pravilima kvantne fizike — a nova istraživanja pokazuju kako računarstvo i veštačka inteligencija ubrzavaju njihovo otkrivanje.

Cylinder geometry and interaction truncation effect on Laughlin state. (CREDIT: Nature Communications)

Šta su kvantni materijali?

Kvantni materijali pokazuju ponašanja koja prkose svakodnevnoj intuiciji, vođena principima kvantne mehanike. Neki omogućavaju provod bez otpora, drugi imaju neuobičajene magnetske osobine ili dugodosledne (long-range) korelacije između čestica. Takva svojstva često se javljaju tek kada se atomski obrasci ponove na većim razmerama, pa se emergentna fizika pojavljuje tek na makroskopskom nivou.

Schematic N-qubit Hamiltonian variational ansatz circuit for preparing the ν = 1/3 Laughlin state. (CREDIT: Nature Communications)

Kako AI doprinosi

Jedan od radova istraživača sa University of Washington pokazuje da veštačka inteligencija može da nauči obrasce iz podataka i brzo predviđa ponašanje složenih, ponovljenih atomski tankih slojeva. Umesto da računa svaku interakciju iz početka, AI procenjuje rezultate na osnovu naučenih uzoraka, što omogućava brže i ekonomičnije simulacije većih struktura i otkrivanje emergentnih svojstava koja ne postoje u manjim sistemima.

Finite-depth scaling of fidelity and intensive quantities for the optimized protocol in the isotropic geometry regime. (CREDIT: Nature Communications)

Uloga kvantnih računara

Dok AI dobro predviđa širok spektar ponašanja, određeni kvantni efekti ostaju teški za klasične modele. Kvantni računari, koji rade po istim principima kao i kvantni sistemi koje proučavamo, mogu prirodnije modelovati međudejstva između čestica. U drugom radu, istraživači su pomoću kvantnog procesora simulirali Laughlinovo stanje — retko, topološko stanje materije — koristeći kola sa 16 kvantnih bitova i stotine operacija.

Probing edge and bulk density structure. (CREDIT: Nature Communications)

Eksperiment je reprodukovao ključne karakteristike Laughlinovog stanja: ujednačenu raspodelu čestica, snažno kratkoročno odbijanje i izmereno uplitanje (entanglement) koje se poklapa sa teorijskim predviđanjima. Kako su kvantni uređaji i dalje osetljivi na šum, istraživači su primenili metode za ublažavanje grešaka i filtriranje rezultata koji krše poznata fizička pravila, čime su povećali pouzdanost dobijenih podataka.

Spatial correlations and incompressibility of the prepared Laughlin state. (CREDIT: Nature Communications)

Kombinovani pristup i povratni ciklus

Jedna od najperspektivnijih ideja je integrisani radni tok: AI brzo pretražuje veliki prostor mogućih struktura i izdvoji obećavajuće kandidate, a kvantni računari potom detaljno simuliraju odabrane sisteme. Podaci iz kvantnih simulacija vraćaju se AI modelima i unapređuju ih, stvarajući pozitivan povratni ciklus koji može znatno ubrzati otkriće.

Topological entanglement entropy. (CREDIT: Nature Communications)

Ting Cao (naučnica za materijale): Uzbudljivo je što AI i kvantno računanje ne menjaju samo koje probleme možemo rešiti, već i način na koji radimo istraživanja.

Izazovi i ograničenja

Uprkos napretku, ostaju tehnička i praktična ograničenja: kvantni računari su još mali i podložni greškama; AI modeli zahtevaju velike, kvalitetne skupove podataka; i predviđeni materijali moraju se potvrditi u laboratorijama — simulacija sama po sebi nije dovoljna.

Značaj i primene

Ako se ova kombinacija metoda dalje razvije, može dovesti do materijala koji smanjuju potrošnju energije u elektronici, poboljšavaju stabilnost i brzinu kvantnih procesora, i omogućavaju nove senzore, komunikacione tehnologije i primene u medicini. Objavljeni rezultati nalaze se u časopisu Nature Communications.