Ερευνητές στο Caltech και στο Πανεπιστήμιο του Σικάγου ανέπτυξαν επαναστατικές μεθόδους τεχνητής νοημοσύνης (AI) που επιταχύνουν δραματικά τις κβαντικές προσομοιώσεις κατά χίλιες (1.000) φορές, στην επιστήμη των υλικών και την καταλυτική διαδικασία, υποσχόμενοι να φέρουν επανάσταση στον τρόπο που οι επιστήμονες σχεδιάζουν νέα υλικά και διαδικασίες παραγωγής.
Η AI ως ο «επιταχυντής» της κβαντικής έρευνας
Για χρόνια, η ανάπτυξη της κβαντικής υπολογιστικής αντιμετώπιζε ένα θεμελιώδες εμπόδιο: την αδυναμία να προσομοιωθεί η περίπλοκη συμπεριφορά των κβαντικών συστημάτων με συμβατικούς υπολογιστές. Οι υπολογισμοί είναι εξαιρετικά αργοί και απαιτούν τεράστια υπολογιστική ισχύ, καθιστώντας τις προσομοιώσεις σε πραγματική κλίμακα σχεδόν ανέφικτες.
Εδώ ακριβώς επεμβαίνει η τεχνητή νοημοσύνη. Ερευνητές κατάφεραν να εκπαιδεύσουν αλγορίθμους μηχανικής μάθησης σε τεράστια δεδομένα κβαντικών πληροφοριών. Τα μοντέλα αυτά, χάρη στην ικανότητά τους να αναγνωρίζουν μοτίβα και να κάνουν προβλέψεις, μπορούν πλέον να μιμηθούν τη συμπεριφορά των κβαντικών συστημάτων με πρωτοφανή ταχύτητα. Η ΑΙ λειτουργεί ως ένας «επιταχυντής» της επιστημονικής ανακάλυψης, παρακάμπτοντας τους χρονοβόρους παραδοσιακούς υπολογισμούς και επιτρέποντας στους επιστήμονες να εξερευνήσουν λύσεις σε κλάσμα του χρόνου.
Στο Caltech, ο καθηγητής Marco Bernardi και ο μεταπτυχιακός φοιτητής Yao Luo παρουσίασαν μια προσέγγιση μηχανικής μάθησης που επιταχύνει τους υπολογισμούς των ατομικών ταλαντώσεων —ή φωνόνια— κατά 1.000 έως 10.000 φορές, διατηρώντας την ακρίβεια.
Παράλληλα, ερευνητές του Πανεπιστημίου του Σικάγου με επικεφαλής την καθηγήτρια Laura Gagliardi, ανέπτυξαν το Weighted Active Space Protocol (WASP), το οποίο επιτρέπει την ταχεία προσομοίωση της δυναμικής μεταλλικών καταλυτών μετάβασης που προηγουμένως απαιτούσε μήνες υπολογισμών.
Η επαναστατική ανακάλυψη της συμπίεσης Τανσόρ από το Caltech
Η ομάδα του Caltech αντιμετώπισε ένα από τα πιο απαιτητικά υπολογιστικά προβλήματα της επιστήμης υλικών: την κατανόηση του πώς οι ατομικές δονήσεις αλληλεπιδρούν μέσα στα υλικά. Αυτές οι αλληλεπιδράσεις, που κωδικοποιούνται σε πολύπλοκα πολυδιάστατα αντικείμενα που ονομάζονται tensors (σ.σ. τανυστές), καθορίζουν βασικές ιδιότητες όπως η μεταφορά θερμότητας και οι μεταπτώσεις φάσης.
«Οι υπολογισμοί για αλληλεπιδράσεις τεσσάρων φωνονίων είναι εφιάλτης», εξήγησε ο Bernardi στο Phys.org.
Η λύση τους χρησιμοποιεί αποσύνθεση τανυστών CANDECOMP/PARAFAC προσαρμοσμένη στις συγκεκριμένες συμμετρίες των προβλημάτων της κβαντικής φυσικής. Εκπαιδεύοντας νευρωνικά δίκτυα σε GPU, η μέθοδος εντοπίζει τα πιο κρίσιμα συστατικά των τεράστιων τανυστών αλληλεπίδρασης φωνονίων, συμπιέζοντάς τα κατά συντελεστές 1.000 έως 10.000 διατηρώντας ταυτόχρονα την υπολογιστική ακρίβεια. Η εργασία, που δημοσιεύτηκε στο Physical Review Letters, έχει ήδη δοκιμαστεί σε ποικίλα υλικά, συμπεριλαμβανομένων του πυριτίου, του τελλουριούχου υδραργύρου και της ζιρκονίας.
Η προώθηση της προσομοίωσης καταλύτη του Πανεπιστημίου του Σικάγο
Στο Πανεπιστήμιο του Σικάγο, η ομάδα της Gagliardi αντιμετώπισε μια διαφορετική πρόκληση: την ακριβή προσομοίωση καταλυτών μετάλλων μετάπτωσης που είναι απαραίτητοι για πάνω από το 80% των βιομηχανικών διαδικασιών. Αυτοί οι καταλύτες είναι διαβόητα δύσκολο να μοντελοποιηθούν επειδή τα μερικώς συμπληρωμένα d-τροχιακά τους δημιουργούν σύνθετες ηλεκτρονικές δομές που απαιτούν εξελιγμένες μεθόδους κβαντικής χημείας.
Η ανακάλυψη ήρθε μέσω του WASP, που αναπτύχθηκε από τον υποψήφιο διδάκτορα Aniruddha Seal υπό την κοινή επίβλεψη των Gagliardi και καθηγητή Andrew Ferguson. Το πρωτόκολλο λύνει ένα μακροχρόνιο πρόβλημα “συνεκτικότητας επισήμανσης” στη μηχανική μάθηση δημιουργώντας συνεπείς κβαντικές κυματοσυναρτήσεις σε διαφορετικές μοριακές διαμορφώσεις.
«Σκεφτείτε το σαν να αναμειγνύετε μπογιές σε μια παλέτα,» εξηγεί ο Seal. «Το WASP λειτουργεί με τον ίδιο τρόπο: αναμειγνύει πληροφορίες από κοντινές μοριακές δομές, δίνοντας μεγαλύτερη βαρύτητα σε εκείνες που είναι πιο παρόμοιες, για να δημιουργήσει μια ακριβή πρόβλεψη για τη νέα γεωμετρία».
Επιπτώσεις στη βιομηχανία και μελλοντικές εφαρμογές
Και οι δύο εξελίξεις καλύπτουν κρίσιμες ανάγκες σε βιομηχανικές εφαρμογές. Η μέθοδος του Caltech επιτρέπει τη γρήγορη εξέταση θερμικών ιδιοτήτων σε μεγάλες βάσεις δεδομένων υλικών, ενώ το WASP ανοίγει δυνατότητες για τον σχεδιασμό πιο αποδοτικών καταλυτών για διεργασίες όπως η παραγωγή αμμωνίας, όπου αιωνόβιοι σιδηρούχοι καταλύτες εξακολουθούν να κυριαρχούν παγκοσμίως.
Η χρονική στιγμή συμπίπτει με την αυξανόμενη επενδυτική δραστηριότητα της βιομηχανίας στην ανακάλυψη υλικών επιταχυνόμενη από την τεχνητή νοημοσύνη. Η SandboxAQ δημοσίευσε πρόσφατα το AQCat25, ένα σύνολο δεδομένων 11 εκατομμυρίων σημείων με υπολογισμούς κβαντικής χημείας, που επιτρέπει επιταχύνσεις των προβλέψεων ιδιοτήτων καταλυτών κατά 20.000 φορές. Παράλληλα, η Oxford Quantum Computing και η Digital Realty εγκαινίασαν αυτήν την εβδομάδα το πρώτο κβαντικό-ΑΙ κέντρο δεδομένων της Νέας Υόρκης, ενσωματώνοντας κβαντικούς υπολογιστές με super chips της NVIDIA για υβριδικά υπολογιστικά φορτία.
Αυτές οι εξελίξεις αντιπροσωπεύουν μια σημαντική επιτάχυνση στην υπολογιστική επιστήμη υλικών, όπου οι παραδοσιακοί κβαντομηχανικοί υπολογισμοί έχουν εμποδιστεί από εκθετική αύξηση του υπολογιστικού κόστους. Οι νέες μέθοδοι τεχνητής νοημοσύνης υπόσχονται να ξεκλειδώσουν προηγουμένως αδύνατες προσομοιώσεις σύνθετων υλικών και καταλυτικών διεργασιών, επιταχύνοντας ενδεχομένως τα χρονοδιαγράμματα ανάπτυξης από έτη σε μήνες σε βιομηχανίες από τα φαρμακευτικά μέχρι την καθαρή ενέργεια.
