Миллиарды долларов тратятся на разработку, производство и улучшение материалов и молекул для применения во многих секторах мировой экономики [1]. Имея доступ к огромному количеству данных, можем ли мы автоматизировать обнаружение новых материалов с заданными физическими и химическими свойствами?

В принципе да!

Одно из многообещающих решений - использовать генеративные состязательные сети [2]. Как показано на рисунке, идея проста: обучить нейронную сеть, называемую генератором, выводить материалы-кандидаты с определенными желаемыми свойствами. Чтобы придать сети некоторую гибкость, мы также предоставляем некоторые неструктурированные, случайно выбранные входные данные. Его задача - преобразовать эти неструктурированные случайные входные данные в набор новых материалов с заданными свойствами. Конечно, генератор физически не создает материалы, а скорее имитирует их. Помимо материалов, генератор также может предоставить физический протокол для их изготовления.

Вторая нейронная сеть, называемая дискриминатором, занимается обучением генератора. Дискриминатор определяет, исходит ли данный пример из реальных экспериментальных данных или из генератора. Если данные поступают из реального источника, дискриминатор выдает «реальные», а если данные поступают из генератора, выдает «фальшивые».

Генераторная нейронная сеть обучается состязательной игре с дискриминатором. Генератор должен обмануть дискриминатор, чтобы он ошибочно классифицировал его поддельные выходные данные как «настоящие». В начале обучения легко представить, что генератор выдает только случайную информацию, а дискриминатор случайным образом классифицирует ее входные данные как «настоящие» или «фальшивые». Однако дискриминатор может улучшить свою производительность, поскольку реальные данные - которые могут быть хорошо структурированными или даже читаемым человеком - хорошо отличимы от строк случайных битов на выходе необученного генератора. Когда дискриминатор начинает различать случайный шум и структурированные данные, генератор может следовать градиенту дискриминатора, обучаясь генерировать данные, которые с большей вероятностью обманут его. На этом этапе дискриминатор должен обнаружить другие функции для выполнения своей задачи, а генератор продолжает состязательную игру, улучшая свою способность генерировать эти функции. Теоретически в конце игры генератор будет производить материалы, которые очень похожи на данные, используемые для обучения. Изменяя входные параметры, генератор можно использовать для создания совершенно новых материалов, а также для детализации процесса их изготовления!

Вся эта идея в принципе может сработать, но на практике мы столкнемся с очень фундаментальной проблемой. Свойства материалов и молекул в нашей Вселенной определяются их микроскопическими составляющими, которые подчиняются законам квантовой механики. В конечном счете, стабильность самой материи является прямым следствием того факта, что физические свойства элементарных частиц, таких как электроны и ядра, выражаются не с вероятностями, а со сложными амплитудами вероятностей. Интерференция электронных амплитуд вокруг ядер - это механизм, который гарантирует, что электроны не коллапсируют на ядра, противодействуя электростатическому притяжению. Свойства интерференционной картины в разной степени определяют крупномасштабные свойства данного материала: будь то изолятор, проводник, полупроводник, сверхпроводник, любые виды магнитов. Фактически, все свойства всей материи, от мельчайших молекул до нейтронных звезд, определяются интерференцией! Тем не менее, точное вычисление интерференционных картин сложных амплитуд вероятности затруднено. Фактически, это настолько сложно, что мы должны удваивать размер компьютера каждый раз, когда хотим добавить новую квантовую частицу в моделирование. Следовательно, для генеративной враждебной сети, закодированной на классическом компьютере, было бы чрезвычайно сложно синтезировать фундаментально квантовые явления и генерировать революционно новые молекулы.

Эту трудность можно превратить в мощный рычаг, если вместо этого мы попытаемся использовать квантовое поведение строительных блоков материи для выполнения квантовых вычислений [3]. Именно поэтому мы создаем квантовый компьютер в Xanadu. Универсальные квантовые компьютеры могут моделировать все физические явления экспоненциально более эффективно, чем современные классические компьютеры. Используя универсальные квантовые схемы, можно распространить классические состязательные сети на квантовую область и раскрыть всю мощь квантовых компьютеров. В двух новых статьях [4,5] с моими коллегами Натаном Киллораном, Сетом Ллойдом, Кристианом Видбруком и мной мы впервые определяем эти идеи: квантовые генеративные состязательные сети и квантовое состязательное обучение!

Этот вид алгоритма, являясь фундаментально квантовым по своей природе, потенциально может быть экспоненциально более эффективным, чем его классический аналог, при представлении и генерации сильно коррелированных данных, таких как наш пример в дизайне материалов. Мы также можем представить себе будущее, в котором более сложные задачи оптимизации будут включать минимизацию производственных и логистических затрат, а также макроэкономических величин, таких как рыночные поставки и цены на различные производные финансовые инструменты. Мы ожидаем, что квантовое машинное обучение также будет использоваться для улучшения нашей способности понимать обучение этих сетей.

[1] Аспуру-Гузик А., Линд Р. и Рейхер М., 2018. Эволюция моделирования материи (R). АСУ центральной науки, 4 (2), стр.144–152.

[2] Гудфеллоу, И., Пуже-Абади, Дж., Мирза, М., Сюй, Б., Вард-Фарли, Д., Озаир, С., Курвиль, А. и Бенжио, Ю., 2014 Генеративные состязательные сети. В Достижения в системах обработки нейронной информации, стр. 2672–2680.

[3] Фейнман Р.П., 1982. Моделирование физики с помощью компьютеров. Международный журнал теоретической физики, 21 (6–7), pp.467–488.

[4] Даллер-Демерс, П.Л. и Киллоран, Н., 2018. Квантовые порождающие состязательные сети. Препринт arXiv arXiv: 1804.08641.

[5] Ллойд, С. и Видбрук, К., 2018. Квантовое генеративное состязательное обучение. Препринт arXiv arXiv: 1804.09139.