เรื่องราวของอิเล็กตรอนที่ชนกัน: การเพิ่มความแม่นยำของการจำลองทางเคมีบนคอมพิวเตอร์ควอนตัม

เรื่องราวของอิเล็กตรอนที่ชนกัน: การเพิ่มความแม่นยำของการจำลองทางเคมีบนคอมพิวเตอร์ควอนตัม

เครดิตฟรี

โดยธรรมชาติแล้ว คอมพิวเตอร์ควอนตัมมีความเหมาะสมอย่างยิ่งในการช่วยให้นักวิทยาศาสตร์บรรลุการค้นพบครั้งสำคัญในวิชาเคมี โดยการจำลองวัตถุเชิงกลเชิงควอนตัมอย่างโมเลกุลได้อย่างมีประสิทธิภาพมากกว่าคอมพิวเตอร์ทั่วไป และเนื่องจากความสามารถของคอมพิวเตอร์ควอนตัมและความเข้าใจของเราเกี่ยวกับวิธีการใช้งานให้ดีที่สุดนั้นดีขึ้น ในไม่ช้าเราจะมีศักยภาพในการทำนายคุณสมบัติของโมเลกุลด้วยความแม่นยำเทียบเท่ากับการทดลองในห้องปฏิบัติการจริง

สล็อต

การอธิบายโมเลกุลอย่างแม่นยำนั้นต้องการการจับความสมดุลที่ละเอียดอ่อนของเอฟเฟกต์การแข่งขันจำนวนมาก ซึ่งต้องใช้คิวบิตและการดำเนินการควอนตัมจำนวนมาก เพื่อช่วยให้คอมพิวเตอร์ควอนตัมเข้าถึงข้อกำหนดด้านความแม่นยำที่จำเป็นสำหรับการค้นพบสารเคมี หรือเพื่อ “เพิ่มน้ำหนักให้มากกว่าเดิม” เพื่อใช้อุปมาเกี่ยวกับการชกมวย ทีมสหวิทยาการของนักวิจัย IBM ร่วมกับพันธมิตรจาก Daimler AG และ Virginia Tech ได้ใช้ความช่วยเหลือของคอมพิวเตอร์คลาสสิก เพื่อลดจำนวน qubits ที่จำเป็นสำหรับคอมพิวเตอร์ควอนตัมเพื่อจำลองโมเลกุลอย่างรุนแรง เราแสดงให้เห็นว่าคุณสมบัติของโมเลกุลกระบวนทัศน์ เช่น ไฮโดรเจนฟลูออไรด์ (HF) สามารถคำนวณได้ด้วยระดับความแม่นยำที่สูงขึ้นในคอมพิวเตอร์ควอนตัมขนาดเล็กในปัจจุบัน เมื่อเทียบกับการคำนวณที่ทำโดยใช้ฟังก์ชันชุดพื้นฐานเดียวกันโดยที่วิธีการจำลองไม่ได้จำลองอิเล็คตรอน-อิเล็คตรอน cuspอย่างชัดเจน
เราชดเชยข้อ จำกัด ของทรัพยากรโดยการรวมวิธีการจำลองควอนตัมเข้ากับการเปลี่ยนแปลงวิธีการแสดงพลังงานจลน์และพลังงานศักย์ของโมเลกุลซึ่งเป็นฟังก์ชันที่เรียกว่าแฮมิลตันในการคำนวณ รายละเอียดทางเทคนิคของงานของเราได้อธิบายไว้ใน “ การจำลองเชิงควอนตัมของโครงสร้างอิเล็กทรอนิกส์ด้วย Hamiltonian ที่สัมพันธ์กัน: ปรับปรุงความแม่นยำด้วยรอยเท้าที่เล็กกว่าบนคอมพิวเตอร์ควอนตัม ”* ตีพิมพ์ในเดือนตุลาคมในวารสารของ Royal Society of Chemistry, Physical Chemistry Chemical Physicsและเลือก เป็น “ประเด็นร้อน” ในปี 2020
“แฮมิลโทเนียน” ที่ดีกว่า: การจำลองที่ดีขึ้น
ตั้งชื่อตามนักคณิตศาสตร์ชาวไอริช Sir William Rowan Hamilton, Hamiltonian เป็นฟังก์ชันทางคณิตศาสตร์ที่กำหนดคุณสมบัติของระบบเคมี การอธิบายโมเลกุลแฮมิลตันอย่างแม่นยำนั้นต้องใช้ออร์บิทัลจำนวนมาก กล่าวคือ ฟังก์ชันเชิงพื้นที่ซึ่งอิเล็กตรอนสามารถครอบครองได้ ด้วยชุดออร์บิทัลที่ใหญ่กว่านี้ ซึ่งเรียกว่าชุดพื้นฐานออร์บิทัล จะทำให้จำนวนคิวบิตและการดำเนินการควอนตัมมีราคาสูงขึ้น ดังนั้นเราจึงไม่สามารถแสดงออร์บิทัลที่เพียงพอในการจำลองของเราบนฮาร์ดแวร์ควอนตัมเพื่อสร้างความสัมพันธ์ของอิเล็กตรอนที่พบในโมเลกุลที่ซับซ้อนในโลกแห่งความเป็นจริง ภายใต้เงื่อนไขดังกล่าว นักวิจัยมักจะดำเนินการด้วยวิธีใดวิธีหนึ่งจากสองวิธี: รอจนกว่าคอมพิวเตอร์ควอนตัมจะมีคิวบิตเพียงพอที่จะจำลองออร์บิทัลทั้งหมดที่จำเป็นสำหรับการศึกษาเฉพาะ
เราเลือกเส้นทางที่สามโดยใช้ Hamiltonian ซึ่ง “มีความสัมพันธ์กัน” กล่าวคือ แปลงเพื่อให้ข้อมูลเพิ่มเติมเกี่ยวกับการโต้ตอบบางอย่างที่ต้องการชุดพื้นฐานที่ใหญ่ขึ้นสำหรับคำอธิบายที่ถูกต้อง ดังนั้นจึงไม่สามารถใส่ลงในคอมพิวเตอร์ควอนตัมโดยใช้แบบดั้งเดิมได้ แฮมิลตัน. Hamiltonian ที่สัมพันธ์กันปรับปรุงคำอธิบายของโมเลกุลโดยคำนึงถึงข้อเท็จจริงพื้นฐาน: เนื่องจากอิเล็กตรอนเป็นอนุภาคที่มีประจุลบ พวกมันจึงผลักกัน!
ปรากฏการณ์ที่สำคัญและซับซ้อนนี้ ซึ่งรู้จักกันในชื่อของอิเลคตรอน-อิเลคตรอน ต้องใช้ออร์บิทัลจำนวนมากเพื่ออธิบายอย่างถูกต้อง วิธีการของเราซึ่งสร้างขึ้นจากงานที่ Virginia Tech สำหรับการจำลองแบบคลาสสิก ช่วยให้สามารถจำลองควอนตัมโดยอิงจาก Hamiltonian ที่สัมพันธ์กันซึ่งรวมเอาจุดยอดอิเล็กตรอน – อิเล็กตรอนไว้ด้วย ผลที่ได้คือการจำลองโมเลกุลที่แม่นยำยิ่งขึ้น โดยไม่จำเป็นต้องใช้คิวบิตอีกหลายร้อยหรือวงจรควอนตัมที่ลึกกว่า โดยที่วงจรควอนตัมแสดงจำนวนคิวบิตร่วมกับการดำเนินการที่ใช้กับโมเลกุลเหล่านี้ วงจรที่ลึกกว่าสามารถดำเนินการได้มากขึ้น แต่ยังมีโอกาสเกิดข้อผิดพลาดมากขึ้นในระหว่างการคำนวณควอนตัม
การจำลองที่ดีขึ้น: เครื่องมือสำหรับการออกแบบวัสดุ
แม้ว่าคอมพิวเตอร์คลาสสิกที่มีประสิทธิภาพสูงในปัจจุบันสามารถแสดงการจำลองทางเคมีที่มีรายละเอียดได้ แต่คอมพิวเตอร์ควอนตัมมีศักยภาพในการจำลองที่มีลำดับความสำคัญแม่นยำกว่าสำหรับระบบโมเลกุลขนาดใหญ่และซับซ้อนจำนวนมากที่คอมพิวเตอร์แบบคลาสสิกไม่สามารถรับมือได้ เดมเลอร์ให้ความสนใจเป็นพิเศษในความร่วมมือครั้งนี้ เนื่องจากบริษัทรถยนต์ได้ทำการวิจัยเกี่ยวกับอัลกอริธึมควอนตัมแบบใหม่สำหรับเคมีควอนตัมและวัสดุศาสตร์ เพื่อสนับสนุนเป้าหมายของการออกแบบแบตเตอรี่ที่ดีขึ้น
วัสดุใหม่อาจนำไปสู่การพัฒนาแบตเตอรี่ประสิทธิภาพสูง ใช้งานได้ยาวนานขึ้น และราคาไม่แพง เดมเลอร์ตระหนักมานานแล้วถึงบทบาทของรถยนต์ไฟฟ้าในการลดการปล่อยมลพิษของรถยนต์และการใช้เชื้อเพลิงฟอสซิล และการทำงานร่วมกันของคอมพิวเตอร์ควอนตัมกับไอบีเอ็มนั้นสอดคล้องกับความคิดริเริ่มของการใช้พลังงานไฟฟ้า วิธีการของเราเป็นขั้นตอนหนึ่งในการคำนวณคุณสมบัติของวัสดุด้วยความแม่นยำในการทดลองบนคอมพิวเตอร์ควอนตัม ยิ่งคุณสามารถจำลองวงโคจรได้มากเท่าไร คุณก็จะยิ่งสามารถทำซ้ำผลลัพธ์ของการทดสอบจริงได้มากเท่านั้น การสร้างแบบจำลองและการจำลองที่ดีขึ้นจะส่งผลให้เกิดการคาดการณ์ของวัสดุใหม่ที่มีคุณสมบัติเฉพาะที่น่าสนใจ
คนอื่นๆ ที่มีส่วนร่วมในบทความนี้ ได้แก่ Ashutosh Kumar, Conner Masteran และ Edward Valeev จาก Virginia Tech; Eunseok Lee และ Tyler Takeshita จาก Mercedes-Benz Research and Development North America ซึ่งเป็นส่วนหนึ่งของ Daimler AG; และ Joe Latone จาก IBM
Mario Motta, Tanvi P. Gujarati, Julia E. Rice, Ashutosh Kumar, Conner Masteran, Joseph A. Latone, Eunseok Lee, Edward F. Valeev และ Tyler Y. Takeshita, การจำลองควอนตัมของโครงสร้างอิเล็กทรอนิกส์ด้วย Hamiltonian ที่มีความสัมพันธ์กัน: ปรับปรุงความแม่นยำด้วย รอยเท้าที่เล็กกว่าบนคอมพิวเตอร์ควอนตัม, Phys. เคมี. เคมี. ฟิสิกส์, “ราชสมาคมเคมี”, 2020,22, 24270–24281, http://dx.doi.org/10.1039/D0CP04106H

สล็อตออนไลน์

เพื่ออำนวยความสะดวกให้กับงานที่จำเป็นบางอย่างสำหรับโครงการนี้ งานวิจัยบางส่วนได้ดำเนินการผ่านการออกแบบโมดูลซอฟต์แวร์ Qiskit แบบกำหนดเอง เช่นโมดูล Qiskit Chemistry โมดูลเหล่านี้ “แสดงถึงขั้นตอนสำคัญสู่การคำนวณควอนตัมแบบไร้แรงเสียดทาน ซึ่งนักพัฒนาสามารถเขียนแอปพลิเคชันที่ได้รับประโยชน์จากคอมพิวเตอร์ควอนตัมโดยไม่ต้องกังวลเกี่ยวกับความซับซ้อนของฮาร์ดแวร์” สำหรับข้อมูลเพิ่มเติมเกี่ยวกับวิธีที่ผู้เชี่ยวชาญโดเมนที่ไม่มีพื้นฐานการคำนวณควอนตัมแบบลึก ตลอดจนนักวิจัยอัลกอริทึมควอนตัมที่ต้องการพัฒนาและทดสอบอัลกอริทึมใหม่ โปรดอ่าน ” การเดินทางต่อไปยังซอฟต์แวร์ควอนตัมแบบไร้แรงเสียดทาน: โมดูลเคมี Qiskit & กรอบการไล่ระดับสี “
คุณเคยได้รับการปฏิบัติอย่างไม่เป็นธรรมหรือไม่? มันทำให้คุณรู้สึกอย่างไร? คงไม่ดีเกินไป คนส่วนใหญ่เห็นด้วยว่าโลกที่ยุติธรรมกว่าคือโลกที่ดีกว่า และนักวิจัยด้าน AI ของเราไม่สามารถเห็นด้วยได้มากกว่านี้ นั่นเป็นเหตุผลที่เราควบคุมพลังของวิทยาศาสตร์เพื่อสร้างระบบ AI ที่ยุติธรรมและแม่นยำยิ่งขึ้น
ความก้าวหน้าล่าสุดในด้าน AI ของเราทำให้เกิดความสามารถที่โดดเด่นสำหรับคอมพิวเตอร์ในการทำงานที่ซับซ้อนและมีความสำคัญมากขึ้น เช่น การแปลคำพูดเป็นภาษาต่างๆ เพื่อเชื่อมโยงการสื่อสารข้ามวัฒนธรรม ปรับปรุงปฏิสัมพันธ์ที่ซับซ้อนระหว่างผู้คนและเครื่องจักร และการจดจำเนื้อหาของวิดีโอโดยอัตโนมัติเพื่อช่วยในความปลอดภัย แอปพลิเคชัน
พลังส่วนใหญ่ของ AI ในปัจจุบันมาจากการใช้การเรียนรู้เชิงลึกที่ขับเคลื่อนด้วยข้อมูลเพื่อฝึกโมเดลที่แม่นยำยิ่งขึ้นโดยใช้ข้อมูลที่เพิ่มขึ้น อย่างไรก็ตาม จุดแข็งของเทคนิคเหล่านี้อาจเป็นจุดอ่อนได้เช่นกัน ระบบ AI จะเรียนรู้สิ่งที่พวกเขาสอน และหากพวกเขาไม่ได้รับการสอนด้วยชุดข้อมูลที่แข็งแกร่งและหลากหลาย ความแม่นยำและความยุติธรรมอาจมีความเสี่ยง ด้วยเหตุผลดังกล่าว IBM ร่วมกับนักพัฒนา AI และชุมชนการวิจัย จำเป็นต้องไตร่ตรองถึงข้อมูลที่เราใช้สำหรับการฝึกอบรม IBM ยังคงมุ่งมั่นที่จะพัฒนาระบบ AI เพื่อให้โลกมีความยุติธรรมมากขึ้น
ความท้าทายในการฝึก AI นั้นแสดงให้เห็นอย่างชัดเจนและลึกซึ้งด้วยเทคโนโลยีการจดจำใบหน้า อาจมีปัญหาในการสร้างระบบจดจำใบหน้าที่ตรงตามความคาดหวังที่เป็นธรรม ดังที่แสดงโดย Joy Buolamwini และ Timnit Gebru ในGender Shadesในปี 2018 ระบบจดจำใบหน้าในเชิงพาณิชย์ทำงานได้ดีขึ้นสำหรับบุคคลและเพศชายที่เบากว่า และแย่กว่าในสตรีที่มีผิวคล้ำ หัวใจของปัญหาไม่ได้อยู่ที่เทคโนโลยี AI เอง แต่ด้วยวิธีการฝึกฝนระบบจดจำใบหน้าที่ขับเคลื่อนด้วย AI เพื่อให้ระบบจดจำใบหน้าทำงานได้ตามที่ต้องการ – และผลลัพธ์ที่ได้จะมีความแม่นยำมากขึ้น – ข้อมูลการฝึกอบรมต้องมีความหลากหลายและครอบคลุมอย่างกว้างๆ ดังที่แสดงในงานก่อนหน้าของเรา ตัวอย่างเช่น ชุดข้อมูลการฝึกอบรมต้องมีขนาดใหญ่เพียงพอและแตกต่างกันมากพอที่เทคโนโลยีจะเรียนรู้ทุกวิถีทางที่ใบหน้าต่างกันเพื่อระบุความแตกต่างเหล่านั้นได้อย่างแม่นยำในสถานการณ์ที่หลากหลาย รูปภาพจะต้องสะท้อนถึงการกระจายของคุณสมบัติในใบหน้าที่เราเห็นในโลก
เราจะวัดและรับรองความหลากหลายสำหรับใบหน้ามนุษย์ได้อย่างไร ในด้านหนึ่ง เราคุ้นเคยกับความแตกต่างของใบหน้าตามอายุ เพศ และสีผิว และลักษณะของใบหน้าอาจแตกต่างกันไปตามมิติข้อมูลบางส่วนเหล่านี้ เทคโนโลยีการจดจำใบหน้าส่วนใหญ่ให้ความสำคัญกับประสิทธิภาพการทำงานภายในคุณลักษณะเหล่านี้ แต่จากการศึกษาก่อนหน้านี้ได้แสดงให้เห็น คุณลักษณะเหล่านี้เป็นเพียงส่วนเล็กๆ ของปริศนา และไม่เพียงพอสำหรับการระบุลักษณะใบหน้ามนุษย์ที่หลากหลายทั้งหมด ขนาดต่างๆ เช่น ความสมมาตรของใบหน้า ความเปรียบต่างของใบหน้า ท่าทางของใบหน้า ความยาวหรือความกว้างของคุณลักษณะของใบหน้า (ตา จมูก หน้าผาก ฯลฯ) ก็มีความสำคัญเช่นกัน
[NPC4]วันนี้ IBM Research กำลังเปิดตัวชุดข้อมูลใหม่ที่มีขนาดใหญ่และหลากหลายที่เรียกว่า Diversity in Faces (DiF) เพื่อพัฒนาการศึกษาความเป็นธรรมและความแม่นยำในเทคโนโลยีการจดจำใบหน้า DiF เป็นชุดข้อมูลแรกที่มีให้สำหรับชุมชนการวิจัยทั่วโลก โดยให้ชุดข้อมูลคำอธิบายประกอบภาพใบหน้ามนุษย์ 1 ล้านภาพ ด้วยการใช้ภาพที่เปิดเผยต่อสาธารณะจากชุดข้อมูล YFCC-100M Creative Commons เราได้ใส่คำอธิบายประกอบให้กับใบหน้าโดยใช้รูปแบบการเข้ารหัสที่เป็นอิสระและเป็นที่ยอมรับ 10 รูปแบบจากวรรณกรรมทางวิทยาศาสตร์ โครงร่างการเข้ารหัสประกอบด้วยการวัดตามวัตถุประสงค์ของใบหน้ามนุษย์เป็นหลัก เช่น ลักษณะกะโหลกศีรษะใบหน้า ตลอดจนคำอธิบายประกอบเชิงอัตวิสัยอื่นๆ เช่น การคาดคะเนอายุและเพศที่ติดป้ายกำกับโดยมนุษย์ เราเชื่อด้วยการแยกและเผยแพร่คำอธิบายประกอบรูปแบบการเข้ารหัสใบหน้าเหล่านี้บนชุดข้อมูลขนาดใหญ่ที่มีภาพใบหน้า 1 ล้านภาพ เราจะเร่งการศึกษาความหลากหลายและความครอบคลุมของข้อมูลสำหรับระบบจดจำใบหน้าของ AI เพื่อให้แน่ใจว่าระบบ AI ยุติธรรมและแม่นยำยิ่งขึ้น การเปิดตัวในวันนี้เป็นเพียงขั้นตอนแรก
เราเชื่อว่าชุดข้อมูล DiF และรูปแบบการเข้ารหัส 10 รูปแบบเป็นจุดเริ่มต้นสำหรับนักวิจัยทั่วโลกที่ศึกษาเทคโนโลยีการจดจำใบหน้า วิธีการเข้ารหัสใบหน้า 10 วิธี ได้แก่ กะโหลกศีรษะใบหน้า (เช่น ความยาวของศีรษะ ความยาวของจมูก ความสูงของหน้าผาก) อัตราส่วนใบหน้า (สมมาตร) ลักษณะการมองเห็น (อายุ เพศ) และท่าทางและความละเอียด เป็นต้น แผนงานเหล่านี้เป็นโครงร่างที่ชัดเจนที่สุดบางส่วนที่ระบุโดยวรรณกรรมทางวิทยาศาสตร์ ซึ่งเป็นการสร้างรากฐานที่มั่นคงสำหรับความรู้ส่วนรวมของเรา
การวิเคราะห์เบื้องต้นของเราแสดงให้เห็นว่าชุดข้อมูล DiF ให้การกระจายที่สมดุลมากขึ้นและครอบคลุมภาพใบหน้าที่กว้างขึ้นเมื่อเทียบกับชุดข้อมูลก่อนหน้า นอกจากนี้ ข้อมูลเชิงลึกที่ได้รับจากการวิเคราะห์ทางสถิติของ 10 รูปแบบการเข้ารหัสเริ่มต้นบนชุดข้อมูล DiF ยังช่วยให้เราเข้าใจถึงสิ่งที่สำคัญสำหรับการระบุลักษณะใบหน้าของมนุษย์ และทำให้เราสามารถดำเนินการวิจัยที่สำคัญเกี่ยวกับวิธีปรับปรุงเทคโนโลยีการจดจำใบหน้าต่อไปได้
ยิ่งมีการนำเอเจนต์ AI ไปใช้ในสถานการณ์ที่อาจเกิดสถานการณ์ที่ไม่คาดคิดมากขึ้น พวกเขาก็ยิ่งต้องมีความยืดหยุ่น ปรับตัว และสร้างสรรค์ในการบรรลุเป้าหมายมากขึ้นเท่านั้น ดังนั้น ระดับของเสรีภาพในการเลือกเส้นทางที่ดีที่สุดไปยังเป้าหมายเฉพาะจึงจำเป็นในการทำให้ AI แข็งแกร่งและยืดหยุ่นพอที่จะปรับใช้ได้สำเร็จในสถานการณ์จริง
โดยเฉพาะอย่างยิ่งเมื่อระบบ AI จัดการกับปัญหาที่ยากซึ่งโซลูชันไม่สามารถกำหนดได้อย่างถูกต้องโดยแนวทางตามกฎแบบเดิม แต่ต้องการแนวทางที่ขับเคลื่อนด้วยข้อมูลและ/หรือการเรียนรู้ที่ใช้ใน AI มากขึ้น อันที่จริง ระบบ AI ที่ขับเคลื่อนด้วยข้อมูล เช่น ระบบที่ใช้แมชชีนเลิร์นนิงนั้นประสบความสำเร็จอย่างมากในแง่ของความแม่นยำและความยืดหยุ่น และสามารถ “สร้างสรรค์” ได้มากในการแก้ปัญหา การค้นหาวิธีแก้ไขที่อาจสร้างความประหลาดใจให้กับมนุษย์และสอนวิธีใหม่ๆ เพื่อแก้ไขความท้าทาย
[NPC5]อย่างไรก็ตาม ความคิดสร้างสรรค์และเสรีภาพที่ไร้ขอบเขตบางครั้งอาจนำไปสู่การกระทำที่ไม่ต้องการได้ ระบบ AI สามารถบรรลุเป้าหมายในลักษณะที่ไม่เป็นที่ยอมรับตามค่านิยมและบรรทัดฐานของชุมชนที่ได้รับผลกระทบ ดังนั้นจึงมีความจำเป็นมากขึ้นที่จะต้องเข้าใจวิธีการจำกัดการทำงานของระบบ AI โดยการกำหนดขอบเขตภายในที่ระบบต้องดำเนินการ โดยปกติแล้วจะเรียกว่าปัญหา “การจัดแนวค่า” เนื่องจากขอบเขตดังกล่าวควรค่าโมเดลและหลักการที่จำเป็นสำหรับสถานการณ์จำลองแอปพลิเคชัน AI เฉพาะ