| |
Tehnici de invatare automata pentru rezolvarea problemelor multi-particula in mecanica cuantica (QuanticLearn)
Rezultate
Etapa I (2021)
- Rezolvarea problemelor multi-particula. Dezvoltarea formalismului de imprastiere bi-particula utilizand metoda matricii R si aplicatii la teoria informatiei cuantice.
- Implementarea schemei DFT-NEGF pentru descriere atomistica a dispozitivelor nanoelectronice.
- Rezultate preliminare privind implementarea tehnicilor de invatare automata.
- Raport stiintific -- Etapa I (2021)
Etapa II (2022)
- Dezvoltarea tehnicilor de invatare automata pentru o descriere eficienta a sistemelor multi-particula, probleme de imprastiere si a schemei DFT-NEGF.
- Raport stiintific -- Etapa II (2022)
Etapa III (2023)
- Design-ul unor dispozitive de tip nanoFET, neuron artificial precum si
dezvoltarea de scheme de invatare in retele neurale cuantice.
- Raport stiintific final (2023)
Scurt sumar al rezultatelor:
Proiectarea nanodispozitivelor pentru transferul si procesarea informatiei cuantice necesita un efort de calcul semnificativ, deoarece sistemele cu cativa electroni care interactioneaza sunt descrise riguros in cadrul mecanicii cuantice. In mod uzual, multe configuratii trebuie luate în considerar inainte de a ajunge la un design optim, iar efortul de calcul pentru diagonalizarile Hamiltonienilor in cazul sistemelor multi-particula devine prohibitiv. Tehnicile de invatare automata (ML) sunt capabile sa ocoleasca diagonalizarile consumatoare de timp si resurse si sa ofere o predictie rapida a proprietatilor fizice vizate in cazul unor noi exemple, odata ce modelul este antrenat pe un set de date calculate.
In cadrul acestui proiect au fost implementate tehnici ML precum: multivariate least squares (MLS), kernel ridge regression (KRR), Gaussian process regression (GPR) si retele neurale artificiale (ANNs) pentru a detemrina energiile proprii in cazul unor sisteme cu putini electroni confinati prin actiunea unor potential de poarta. In acest scop s-au efectuat regresii multi-target, obtinandu-se o acuratete de predictie (R2) mai mare de 0.96.
Probabil unul dintre cele mai interesante rezultate ale proiectului se refera la dezvoltarea tehnicilor de translatie de imagini bazate pe retele neuronale conditionale generative-adversariale (cGAN) pentru maparea potentialelor de confinare la densitatile de sarcina ale starii fundamentale. O retea cGAN include doua retelele neuronale: prima, numita generator, produce imagini-output din imagini-input, in timp ce a doua clasifica imaginile in reale (calculate) si false (generate). Interactiunea dintre cele doua retele face ca generatorul sa produca imagini din ce in ce mai bune, in timp ce discriminatorul devine mai precis in distingerea imaginii reale de cea falsa. Modelul este actualizat folosind un set de antrenare pana cand imaginile generate nu mai pot fi distinse de cele reale. Folosind aceasta metoda este posibila descrierea eficienta si precisa a densitatii de sarcina in starea fundamentla pentru noi sisteme de test, avand ca intrare potetialul de confinare, fara a diagonaliza Hamiltonianul multi-particula. Aceasta metoda a fost folosita si pentru problema inversa, adica o mapare de la o densitate de sarcina V-reprezentabila la o harta de potential. Acest lucru este foarte important deoarece problema inversa este de obicei mult mai dificil de rezolvat si, in multe cazuri, nu exista o solutie evidenta. Proiectarea inversa (a nanostructurilor) se refera la gasirea structurii din proprietatile fizice dorite sau functionalitatile dispozitivului si este un domeniu de cercetare foarte activ, care poate fi abordat cu prezenta metodologie.
De asemenea, au fost investigate principiile de lucru ale unor dispozitive prototip, cum ar fi dispozitivul de tip quantum sorter (QS) si dispozitive de tip neuron cuantic (QN). Masurarea observabilei fizice corespunzatoare unei stari cuantice nu este o sarcina usoara. Dispozitivul QS identifica starile cuantice dintr-o secventa de stari incidente, ceea ce este important pentru citirea starilor cuantice care au rezultat un calcul cuantic. Pe de alta parte, au fost investigate structurile neuromorfe si a fost investigata posibilitatea transferului de sarcina intre diferitele terminale. Un dispozitiv reconfigurabil prototip a fost propussi analizatin cadrul combinat al aborarii diagonalizarii exacte si cGAN ML. Aceasta pune bazele pentru proiectarea elementelor de circuite active pentru arhitecturi cuantice.
Proiectul a acoperit, de asemenea, subiecte interesante privind comunicarea cuantice si proprietatile topologice ale jonctiunilor Josephson, precum si scheme eficiente NEGF-DFT-ML pentru transportul cuantic. Instrumentele dezvoltate aici creeaza premisele pentru progrese in domeniul dispozitivelor cuantice, fizicii materialelor,in timp ce gradul mare de generalitate al tehnicilor ML aduce un potential imens de a fi folosite in domenii destul de diferite de cercetare.
| |