Квантовые схемы учатся моделировать молекулы
Автор: Денис Аветисян
Новый подход с использованием обучения с подкреплением позволяет автоматически проектировать квантовые схемы для эффективного вычисления энергии молекул.
Изучается энергия основного состояния молекулярной системы как функция расстояния между атомами, при этом алгоритм обучения с подкреплением конструирует квантовые схемы с нуля, выбирая гейты и параметры, чтобы предсказывать индивидуально адаптированные схемы для произвольных расстояний и, таким образом, напрямую получать потенциальную энергию и соответствующие волновые функции.
В статье представлена платформа обучения с подкреплением для разработки переносимых квантовых схем, способных эффективно исследовать поверхности потенциальной энергии молекул.
Построение эффективных квантовых схем для моделирования сложных молекулярных систем остается сложной задачей, требующей значительных вычислительных ресурсов. В данной работе, 'Reinforcement learning of quantum circuit architectures for molecular potential energy curves', предложен подход, основанный на обучении с подкреплением, для автоматического проектирования квантовых схем, адаптированных к конкретным молекулам и их потенциальным энергетическим кривым. Разработанная методика позволяет создавать переносимые схемы, способные эффективно исследовать энергетические поверхности, что открывает путь к масштабируемым квантовым симуляциям. Сможет ли данный подход значительно ускорить разработку новых материалов и лекарственных препаратов благодаря более точным квантово-химическим расчетам?
Молекулярное моделирование: преграды и квантовый прорыв
Традиционное молекулярное моделирование сталкивается с существенными вычислительными ограничениями, препятствующими детальному изучению больших и сложных систем. Вычисление энергии основного состояния, определяющей ключевые характеристики молекулярного поведения, часто становится непосильной задачей при увеличении размеров моделируемой молекулы. В этой связи, квантовые вычисления предлагают принципиально новый подход к решению проблемы, однако для реализации этого потенциала необходима разработка эффективных алгоритмов и специализированных квантовых схем, способных оптимально использовать возможности квантовых систем для моделирования молекулярных процессов и предсказания их свойств.
Обученная схема демонстрирует снижение ошибки энергии относительно энергии FCI с увеличением числа вентилей для молекулы LiH, состоящей из четырех кубитов.
Обучение квантовых схем с помощью алгоритмов усиленного обучения
Разработанный подход использует принципы усиленного обучения для автоматизированного проектирования квантовых схем, предназначенных для вычисления энергий молекул. Агент, функционирующий в рамках данной системы, взаимодействует с гибридной квантово-классической симуляцией, в качестве функции оценки используя вариационный квантовый решатель собственных значений (VQE). Этот итеративный процесс позволяет агенту последовательно оптимизировать структуру и параметры квантовой схемы, стремясь к минимизации рассчитанной энергии и достижению более точного представления молекулярной системы. В результате, предложенный метод демонстрирует пятикратное (5.1x) увеличение точности по сравнению с приближением Хартри-Фока.
Обученная модель обучения с подкреплением (красный) генерирует структуру, эффективно запутывающую кубиты четыре через семь на всем диапазоне межатомных расстояний, в отличие от стандартного SPA-анзаца (синий), состоящего из двух отдельных блоков запутывания.
Поиск Оптимальных Решений с Использованием Алгоритма Soft Actor-Critic
Для обучения агента использовался алгоритм Soft Actor-Critic (SAC), эффективно балансирующий исследование и использование полученного опыта. Ключевым элементом является регуляризация энтропии, побуждающая к изучению разнообразных структур и параметров квантовых схем, что предотвращает преждевременную сходимость к субоптимальным решениям. Стабилизация процесса обучения достигается благодаря использованию Target Network, обеспечивающего согласованную и отложенную оценку ценности. Алгоритм успешно справляется как с дискретными, так и с непрерывными пространствами действий, позволяя осуществлять точный контроль над проектированием квантовых схем. Применительно к молекуле LiH, состоящей из шести кубитов, удалось достичь средней ошибки в 0.0161 Ха с отклонением +0.0136/-0.0036 Ха.
Анализ количества операций CNOT, Rx, Ry, Rz и общей глубины схемы для молекулы LiH из четырех кубитов в диапазоне межатомных расстояний от 1.0 до 4.0 Å показывает зависимость этих параметров от геометрии молекулы.
Ускорение обучения на основе повторного использования опыта
Для повышения эффективности обучения агента применяется буфер повторного использования опыта, в котором сохраняются данные о его взаимодействиях со средой - состояние, действие, полученное вознаграждение и следующее состояние. Такой подход позволяет эффективно использовать накопленные данные, устраняя корреляции между последовательными выборками и позволяя агенту учиться на прошлых успехах и неудачах, что значительно ускоряет сходимость процесса обучения. В контексте оптимизации квантовых схем, данная методика существенно снижает вычислительные затраты и время, необходимое для достижения оптимального решения, что делает возможной работу с более крупными и сложными молекулярными системами. В частности, применение данного подхода позволило снизить стоимость обучения в 22 раза по сравнению с оптимизацией на фиксированном расстоянии, при этом средняя ошибка для молекулы LiH, состоящей из четырех кубитов, составила 0.0136 с отклонением +0.0156/-0.0096 Ha.
Обучение на четырехкубитном LiH демонстрирует сходимость энергии и стабильный возврат в каждой из двенадцати итераций.
Исследование, представленное в данной работе, демонстрирует, что создание эффективных квантовых схем для моделирования молекулярных систем требует не жесткого планирования, а скорее адаптации и эволюции. Подобно тому, как экосистема формируется естественным отбором, квантовые схемы, разработанные с использованием обучения с подкреплением, демонстрируют способность к переносу знаний и эффективному исследованию поверхностей потенциальной энергии. Как говорил Альберт Эйнштейн: «Фантазия важнее знания. Знание ограничено. Фантазия охватывает весь мир». Этот принцип применим и здесь: алгоритм не просто ищет оптимальное решение, а создает основу для дальнейшего развития и адаптации, предвидя и смягчая будущие сбои в сложных молекулярных системах. Архитектура, предложенная авторами, - это не инструмент, а экосистема, способная к самоорганизации и выживанию.
Что же дальше?
Представленная работа, стремясь к автоматизированному проектированию квантовых схем, неизбежно сталкивается с фундаментальной дилеммой. Каждая оптимизация, каждое «обучение с подкреплением» - это лишь временное усмирение хаоса, запрограммированное проявление будущей хрупкости. Схемы, кажущиеся эффективными сегодня, несут в себе семена собственной деградации, проявляющиеся в новых молекулярных ландшафтах, с которыми они не были обучены. В каждом кроне этой «эволюции» скрыт страх перед неожиданным, перед тем, что не вписывается в узкие рамки текущего обучения.
Надежда на «идеальную» квантовую архитектуру, способную охватить всю сложность потенциальных поверхностей, - это форма отрицания энтропии. Более вероятен путь постепенного накопления «шрамов» - ограниченных, но устойчивых решений для конкретных классов молекул. Истинный прогресс, вероятно, лежит не в создании универсальной схемы, а в разработке механизмов быстрого восстановления после неизбежных сбоев, в адаптации к новым вызовам, а не в их предвидении.
Перспективы переноса обучения, намеченные в данной работе, кажутся особенно тревожными. Каждый перенос - это риск привнести скрытые зависимости, которые проявятся в неожиданный момент, превратив полезный инструмент в источник систематических ошибок. В конечном итоге, успех этого направления будет зависеть не от скорости обучения, а от способности к самодиагностике и отказу от ошибочных стратегий.
Полный обзор с формулами: denisavetisyan.com/kvantovye-shemy-uchatsya-modelirovat-molekuly
Оригинал статьи: https://arxiv.org/pdf/2511.16559.pdf
Связаться с автором: linkedin.com/in/avetisyan


















