Машинное обучение и квантовая оптимизация помогут ускорить разработку OLED-материалов

В последнее десятилетие научные и промышленные круги признали органические люминесцентные материалы в качестве перспективных компонентов для создания легких, гибких и универсальных оптоэлектронных устройств, таких как OLED-дисплеи.

Однако поиск достаточно эффективных материалов представляет собой сложную задачу.

Для решения этой проблемы совместная исследовательская группа разработала новый подход, сочетающий модель машинного обучения с квантово-классическим вычислительным молекулярным дизайном, для ускорения поиска эффективных OLED-эмиттеров. Результаты исследования опубликованы 17 мая в журнале Intelligent Computing, a Science Partner Journal.

Оптимальный OLED-эмиттер, найденный авторами с помощью «гибридной квантово-классической процедуры», представляет собой дейтерированное производное Alq₃ и одновременно обладает высокой эффективностью излучения света и может быть синтезирован.

Дейтерированные OLED-эмиттеры — это органические материалы, в которых атомы водорода заменены атомами дейтерия в молекулах эмиттера. Несмотря на то, что они способны очень эффективно излучать свет, разработка таких дейтерированных OLED-эмиттеров представляет собой сложную вычислительную задачу. Эта проблема связана с необходимостью оптимизации положения атомов дейтерия в молекулах эмиттера, что требует проведения расчетов с нуля.

Новая схема работы, в которой задействованы как классический, так и квантовый компьютер, позволяет ускорить эти расчеты. Сначала на классическом компьютере выполняются расчеты по квантовой химии для получения «квантовых эффективностей» набора дейтерированных молекул Alq₃. Эти данные о светоизлучающей способности различных молекул используются для создания обучающих и тестовых наборов данных для построения модели машинного обучения, позволяющей предсказывать квантовую эффективность различных дейтерированных молекул Alq₃.

Далее модель машинного обучения используется для построения энергетической функции системы, называемой гамильтонианом. Затем на квантовом компьютере с помощью двух алгоритмов квантовой вариационной оптимизации — вариационного квантового эйгенсолвера (VQE) и алгоритма квантовой приближенной оптимизации (QAQA) — проводится квантовая оптимизация, которая помогает машинному обучению находить молекулы с оптимальными квантовыми эффективностями. В процессе квантовой оптимизации вводится синтетическое ограничение, гарантирующее, что оптимизированная молекула поддается синтезу.

Для повышения точности предсказания на квантовых устройствах авторы применили помехоустойчивую методику, получившую название рекурсивного вероятностного исключения переменных (RPVE), и сумели «найти оптимальную дейтерированную молекулу с очень высокой точностью с помощью квантового устройства». Кроме того, авторы отмечают, что сочетание этой новой методики с двумя выбранными ими алгоритмами квантовой оптимизации может обеспечить квантовое преимущество при расчетах на квантовых устройствах ближайшего будущего.

В целом авторы ожидают, что их подход, сочетающий квантовую химию, машинное обучение и квантовую оптимизацию, может создать «новые возможности для генерации и оптимизации ключевых молекул для материальной информатики».

12.07.2023