Инсайдерская память:
- Исследователи разработали квантовый генетический алгоритм, который объединяет принципы естественного отбора с квантовой механикой для оптимизации конструкции фотонных слоев, особенно для прозрачных систем радиационного охлаждения.
- QGA позволяет быстрее и эффективнее исследовать сложные пространства проектирования, используя квантовые свойства, такие как суперпозиция и запутанность, для улучшения сходимости в оптимальных конфигурациях.
- Интегрируя модель случайного леса, QGA прогнозирует свойства материала с меньшими вычислительными затратами, обеспечивая экономию вычислений по сравнению с традиционными методами.
- Несмотря на многообещающие результаты, QGA по-прежнему опирается на классические ресурсы, и будущие исследования направлены на интеграцию реального квантового оборудования для дальнейшего улучшения масштабируемости и эффективности приложений для проектирования материалов.
Природа, первоначальный инженер, уже давно использует тонкие закономерности отбора и адаптации как средство корректировки черт в ответ на бесконечный поток очередей окружающей среды. В этом процессе естественного отбора каждая адаптация требует продуманной корректировки, чтобы увеличить шансы на успех в постоянно меняющемся мире. Вдохновленные этой адаптивной стратегией, которая до сих пор работала особенно хорошо, ученые разработали компьютерные модели, называемые генетическими алгоритмами, которые применяют эти модели отбора, мутации и рекомбинации для решения сложных проблем.
Точно так же, как природа «отбирает» черты, наиболее подходящие для выживания вида, генетические алгоритмы могут совершенствовать конструкции путем итеративного тестирования и выбора оптимальных решений. Недавно исследователи предложили квантовый генетический алгоритм для решения проблемы проектирования слоистых фотонных структур для прозрачных систем радиационного охлаждения.
Объединяя классические генетические методы и принципы квантовой механики, этот QGA обеспечивает более быструю и точную оптимизацию этих многослойных структур, предназначенных для блокировки определенных длин волн света, что потенциально снижает потребность в активных системах охлаждения. Согласно изучатьопубликовала журнал Nature's NPJ Computational Materials и под руководством Университета Нотр-Дам, Национальной лаборатории Ок-Ридж и Университета Кён Хи, QGA добилась более быстрой и точной сходимости в оптимальных конструкциях.
Квантовый аппаратный дизайн и генетический алгоритм
В материаловедении создание функциональных материалов часто предполагает балансировку сложных переменных, таких как состав и структура, в больших дизайнерских пространствах. Обычные методы, такие как моделирование и физические эксперименты, отнимают много времени и позволяют лишь ограниченные исследования. Однако, как отмечается в исследовании, квантовые алгоритмы могут обеспечить более быстрое исследование пространств проектирования, что делает их жизнеспособным кандидатом для оптимизации этих структур.
QGA — это гибридный инструмент оптимизации, сочетающий в себе элементы квантовых вычислений и классических генетических алгоритмов. Как и традиционные генетические алгоритмы, КГА моделируются по таким механизмам, как мутация и отбор, но включают в себя квантовые принципы, такие как суперпозиция и запутанность, что позволяет им более эффективно исследовать решения. Этот квантовый метод был разработан для решения проблем больших и сложных пространств поиска, что делает его особенно эффективным для оптимизации многомерных структур, таких как многослойные фотонные системы.
Проектирование фотонных слоев: квантовый подход для эффективного охлаждения
Планарные многослойные системы имеют множество применений в оптике: от фотонных кристаллов до просветляющих покрытий. Недавно PML привлекли внимание к технологиям TRC, которые обеспечивают пассивное охлаждение, блокируя определенные длины волн солнечного света. Эта функция снижает нагрев без дополнительных затрат энергии, что особенно полезно для зданий или транспортных средств в жарком климате.
По мнению исследователей, проблема проектирования TRC представляет собой проблему комбинаторной оптимизации. Производительность ЭЛТ зависит от тщательного расположения слоев материалов с особыми оптическими свойствами, таких как диоксид кремния и диоксид титана. Каждое возможное расположение формирует потенциальное решение в пространстве оптимизации. Оптимизируя эту компоновку, QGA может разработать PML, которые обеспечивают баланс между блокировкой инфракрасного и ультрафиолетового света и передачей видимого света.
В отличие от классических генетических алгоритмов, которые могут застрять в локальном оптимуме, использование квантовой мутации в QGA позволяет расширить исследования и ускорить сходимость. «Алгоритм манипулирует этими хромосомами с помощью квантовых вентилей, аналогичных генетическим операциям скрещивания и мутации. Используя суперпозицию, квантовая хромосома может представлять несколько решений одновременно», — объясняют исследователи, подчеркивая способность QGA улучшить общие исследовательские возможности.
Например, хромосомное представление QGA объединяет несколько кубитов, которые развиваются посредством квантовых операций, что позволяет более широко и детально исследовать потенциальные решения. Такая конструкция сводит к минимуму вычислительные требования по сравнению с методами исчерпывающего поиска, требуя меньше вычислений для достижения оптимальных результатов.
Интеграция машинного обучения для более быстрого и интеллектуального QGA
В своем исследовании команда интегрировала модель случайного леса — метод обучения, который объединяет несколько деревьев решений для повышения точности прогнозирования путем усреднения их результатов — в качестве суррогата для прогнозирования оптических свойств различных конфигураций, тем самым уменьшая потребность в интенсивном компьютерном моделировании. Эта модель машинного обучения помогает оценить пригодность каждого потенциального проекта, тем самым более эффективно направляя процесс развития QGA.
Объединив QGA с этим подходом машинного обучения, исследование позволило добиться заметной экономии вычислительных ресурсов. Например, исследователи применили его к тестовому примеру с шестислойной структурой, и результаты показали, что QGA требует всего около 125 симуляций по сравнению с тысячами, необходимыми для традиционных методов.
Хотя QGA показал многообещающие результаты для дизайна PML, исследование признает некоторые ограничения. Квантовые модели, такие как QGA, по-прежнему полагаются на классические вычислительные ресурсы, что может ограничивать их масштабируемость для решения очень многомерных задач. Кроме того, хотя RF-модели обеспечивают эффективные оценки, разработка моделей, учитывающих более широкий диапазон переменных, может еще больше повысить точность. Будущие исследования могут быть сосредоточены на интеграции QGA с реальным квантовым оборудованием для повышения эффективности вычислений и расширения потенциала их применения.
Природные алгоритмы для инноваций в аппаратном обеспечении
При решении проблем часто бывает полезно черпать вдохновение из природных систем. Объединив квантовую оптимизацию и машинное обучение, хотя улучшения остаются возможными, это исследование представляет эффективный подход к проектированию фотонных структур. Как отмечалось ранее, уникальная способность QGA исследовать большие пространства для проектирования может стать надежным источником информации для материаловедения.
В исследовании участвовали Чжихао Сюй, Вэньцзе Шан, Сонмин Ким, Александрия Боббитт, Ынгкю Ли и Тэнфэй Луо.
