Инсайдерская информация:
- 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, опираясь на квантовые свойства, такие как суперпозиция и запутанность, для улучшения сходимости в оптимальных конфигурациях.
- Интегрируя модель случайного леса, QGA прогнозирует свойства материала с уменьшенной вычислительной нагрузкой, обеспечивая экономию вычислений по сравнению с традиционными методами.
- Несмотря на многообещающие результаты, QGA по-прежнему зависит от классических ресурсов, и будущие исследования направлены на интеграцию реального квантового оборудования для дальнейшего улучшения масштабируемости и эффективности в приложениях проектирования материалов.
Природа, первоначальный инженер, уже давно использует тонкие закономерности отбора и адаптации в качестве средства, корректируя черты в ответ на бесконечный поток очередей окружающей среды. В этом процессе естественного отбора каждая адаптация представляет собой рассчитанную корректировку, призванную увеличить шансы на успех в постоянно меняющемся мире. Вдохновленные этой адаптивной стратегией, которая до сих пор хорошо зарекомендовала себя, ученые разработали вычислительные модели, известные как генетические алгоритмы, которые применяют эти закономерности отбора, мутации и рекомбинации для решения сложных проблем.
Точно так же, как природа «отбирает» черты, которые лучше всего подходят для выживания вида, так и генетические алгоритмы могут совершенствовать конструкции путем итеративного тестирования и выбора оптимальных решений. Недавно исследователи предложили квантовый генетический алгоритм для решения задачи проектирования слоистых фотонных структур для прозрачных систем радиационного охлаждения.
Сочетая классические генетические методы и принципы квантовой механики, этот QGA обеспечивает более быструю и точную оптимизацию этих многослойных структур, которые предназначены 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.
Материальный дизайн и квантовый генетический алгоритм
В материаловедении создание функциональных материалов часто предполагает балансировку между сложными переменными, такими как состав и структура, в огромных пространствах дизайна. Традиционные методы, такие как моделирование и физические эксперименты, требуют много времени и позволяют лишь ограниченные исследования. Однако, как отмечается в исследовании, квантовые алгоритмы могут обеспечить более быстрое исследование пространств проектирования, что делает их жизнеспособными кандидатами 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 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 фотонные многослойные системы.
Дизайн фотонного слоя: квантовый подход к эффективному охлаждению
Планарные многослойные системы широко применяются в оптике: от фотонных кристаллов до просветляющих покрытий. Недавно PML привлекли внимание к TRC — технологиям, которые обеспечивают пассивное охлаждение, блокируя определенные длины волн солнечного света. Эта функция снижает нагрев без дополнительных затрат энергии, что особенно ценно для зданий или транспортных средств в жарком климате.
По мнению исследователей, проблема проектирования TRC представляет собой проблему комбинаторной оптимизации. Производительность TRC 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 возможностью пропускания видимого света.
В отличие от классических генетических алгоритмов, которые могут застрять в локальном оптимуме, использование квантовой мутации в QGA обеспечивает более широкое исследование и более быструю 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 улучшать возможности глобального поиска.
Например, представление хромосомы QGA включает в себя несколько кубитов, которые развиваются посредством квантовых операций, что позволяет более широкое и детальное исследование потенциальных решений. 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 «Случайный лес» — метод обучения, который объединяет несколько деревьев решений для повышения точности прогнозирования путем усреднения их результатов — в качестве суррогата для прогнозирования оптических свойств различных конфигураций, уменьшая необходимость в трудоемком моделировании. Эта модель машинного обучения помогает оценить пригодность каждого потенциального проекта, 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 потребовало 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 модели RF дают 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 его применения.
Вдохновленные природой алгоритмы для инноваций в материалах
При решении проблем часто оказывается эффективным обратиться за вдохновением к природным системам. Объединив квантовую оптимизацию и машинное обучение, хотя возможности для совершенствования еще остаются, это исследование представляет эффективный подход к проектированию фотонных структур. Как уже отмечалось, уникальная способность QGA исследовать обширные пространства дизайна могла бы стать надежной основой для науки о материалах.
В число авторов исследования входят Чжихао Сюй, Вэньцзе Шан, Сонмин Ким, Александрия Боббитт, Ынгкю Ли и Тэнфэй Луо.
