Sin embargo, modelar un sistema débilmente correlacionado utilizando DFT no es un problema de escala exponencial. Esto sugiere que con más datos y recursos informáticos, los enfoques clásicos basados en IA podrían simular incluso el más grande de estos sistemas, afirma Tkatchenko. Dado que es possible que aún falten décadas para computadoras cuánticas lo suficientemente poderosas como para competir, agrega, la trayectoria precise de la IA sugiere que podría alcanzar hitos importantes, como simular con precisión cómo los medicamentos se unen a una proteína, mucho antes.
Fuertes correlaciones
Cuando se trata de simular sistemas cuánticos fuertemente correlacionados (aquellos cuyas partículas interactúan mucho), los métodos como la DFT rápidamente pierden fuerza. Si bien son más exóticos, estos sistemas incluyen materiales con capacidades potencialmente transformadoras, como la superconductividad de alta temperatura o la detección ultraprecisa. Pero incluso en este caso, la IA está logrando avances significativos.
En 2017, Carleo de EPFL y Troyer de Microsoft publicaron un artículo basic papel en Ciencia mostrando que las redes neuronales podrían modelar sistemas cuánticos fuertemente correlacionados. El enfoque no aprende de los datos en el sentido clásico. En cambio, cube Carleo, es related al modelo AlphaZero de DeepMind, que dominaba los juegos de Go, ajedrez y shogi utilizando nada más que las reglas de cada juego y la capacidad de jugar por sí mismo.
En este caso, las reglas del juego las proporciona la ecuación de Schrödinger, que puede describir con precisión el estado cuántico o función de onda de un sistema. El modelo juega contra sí mismo al disponer las partículas en una determinada configuración y luego medir el nivel de energía del sistema. El objetivo es alcanzar la configuración de energía más baja (conocida como estado basic), que determina las propiedades del sistema. El modelo repite este proceso hasta que los niveles de energía dejan de caer, lo que indica que se ha alcanzado el estado basic, o algo cercano a él.
El poder de estos modelos es su capacidad para comprimir información, afirma Carleo. “La función de onda es un objeto matemático muy complicado”, afirma. “Lo que han demostrado varios artículos ahora es que [the neural network] es capaz de capturar la complejidad de este objeto de una manera que puede ser manejada por una máquina clásica”.
Desde el artículo de 2017, el enfoque se ha extendido a una amplia gama de sistemas fuertemente correlacionados, afirma Carleo, y los resultados han sido impresionantes. El Ciencia El artículo que publicó con colegas el mes pasado puso a prueba las principales técnicas de simulación clásica en una variedad de complicados problemas de simulación cuántica, con el objetivo de crear un punto de referencia para juzgar los avances tanto en los enfoques clásicos como en los cuánticos.
Carleo cube que las técnicas basadas en redes neuronales son ahora el mejor enfoque para simular muchos de los sistemas cuánticos más complejos que probaron. “El aprendizaje automático realmente está tomando la iniciativa en muchos de estos problemas”, afirma.
Estas técnicas están llamando la atención de algunos grandes actores de la industria tecnológica. En agosto, investigadores de DeepMind demostraron en un papel en Ciencia que podrían modelar con precisión estados excitados en sistemas cuánticos, lo que algún día podría ayudar a predecir el comportamiento de cosas como células solares, sensores y láseres. Los científicos de Microsoft Analysis también han desarrollado un paquete de software program de código abierto para ayudar a más investigadores a utilizar redes neuronales para la simulación.
