چگونه محاسبات کوانتومی می‌تواند علم شیمی را متاثر کند؟

شکل ۱. ساختارهای شیمیایی

در دوران کارم به عنوان یک شیمی‌دان، من یک بدهی بزرگ به سرنوشت دارم. در سال ۲۰۱۲، من در زمان مناسب در مکان مناسبی بودم (آزمایشگاه تحقیقاتی آلمادن آی‌بی‌ام در کالیفرنیا)-و کار «اشتباه» را انجام دادم. قرار بود که من سه جز را در یک سازنده به امید کشف سیستماتیک ترکیبی از مواد شیمیایی مخلوط کنم، به این معنی که یکی از مواد شیمیایی با نسخه‌ای که از ضایعات پلاستیکی گرفته شده‌ بود، در تلاش برای افزایش پایداری پلیمرهای ترموست را جایگزین کنم.

در عوض، وقتی دو تا از معرف‌ها را با هم ترکیب کردم، یک ماده پلاستیکی سخت و سفید در ظرف شکل گرفت. آنقدر سخت بود که مجبور شدم برای بیرون آوردنش آن را خرد کنم. علاوه بر این، وقتی یک شب در اسید رقیق قرار گرفت، به مواد اولیه خود برگشت. بدون هیچ مفهومی، من یک خانواده کاملا جدید از پلیمرهای ترموست قابل بازیافت را کشف کرده بودم. اگر آن را یک آزمایش شکست‌خورده در نظر گرفته بودم و آن را دنبال نکرده بودم، هرگز نمی‌فهمیدیم چه چیزی درست کرده‌ایم. در بهترین حالت، در سنت اصیل روی پلانکت، که تفلون را به طور اتفاقی اختراع کرد در‌حالی‌که روی شیمی گازهای خنک‌کننده کار می‌کرد، این یک موفقیت علمی بود.

امروز، من یک هدف جدید دارم: کاهش نیاز به سرنوشت در کشف شیمیایی. طبیعت در حال نشان دادن چالش‌های واقعی در جهان است، از بحران آب و هوایی در حال پیشرفت گرفته تا زنگ بیدار شدن COVID19. این چالش‌ها آنقدر بزرگ هستند که نمی‌توان آن‌ها را به دست سرنوشت سپرد. طبیعت پیچیده و قدرتمند است، و ما باید قادر به مدل‌سازی دقیق آن باشیم اگر بخواهیم پیشرفت‌های علمی لازم را انجام دهیم.

به طور خاص، اگر بخواهیم زمینه شیمی را به سمت جلو سوق دهیم، باید قادر به درک انرژی واکنش‌های شیمیایی با سطح بالایی از اطمینان باشیم. این یک بینش جدید نیست، اما این بینش است که یک محدودیت عمده را برجسته می‌کند: پیش‌بینی دقیق رفتار حتی مولکول‌های ساده فراتر از توانایی‌های حتی قوی‌ترین کامپیوترها است.

این جایی است که محاسبات کوانتومی امکان پیشرفت‌های عمده در سال‌های آینده را ارائه می‌دهد. مدل‌سازی واکنش‌های پر‌انرژی در کامپیوترهای کلاسیک نیاز به تقریب دارد، زیرا آن‌ها نمی‌توانند رفتار کوانتومی الکترون‌ها را در یک اندازه سیستم خاص مدل‌سازی کنند. هر تقریب ارزش مدل را کاهش می‌دهد و مقدار کار آزمایشگاهی را افزایش می‌دهد که شیمی‌دانان باید برای تایید و هدایت مدل انجام دهند. با این حال، محاسبات کوانتومی در حال حاضر در نقطه‌ای است که می‌تواند شروع به مدل‌سازی انرژی و ویژگی‌های مولکول‌های کوچک مانند لیتیوم هیدرید، LiH کند-که امکان مدل‌هایی را فراهم می‌کند که مسیرهای واضح‌تری برای کشف نسبت به آنچه ما اکنون داریم فراهم می‌کنند.

قانون کوانتوم شیمی

البته شیمی کوانتومی به عنوان یک میدان چیز جدیدی نیست. در اوایل قرن بیستم، شیمی‌دانان آلمانی مانند والتر هیتلر و فریتز لندن نشان دادند که پیوند کووالانسی می‌تواند با استفاده از مکانیک کوانتومی درک شود. در اواخر قرن بیستم، رشد قدرت محاسباتی در دسترس شیمی‌دانان به این معنی بود که انجام برخی از مدل‌سازی‌های اساسی در سیستم‌های کلاسیک عملی بود.

با این حال، وقتی داشتم پی‌اچ‌دی‌ خود را در اواسط سال 2000 در کالج بوستون می‌گرفتم، D در اواسط دهه ۲۰۰۰ در کالج بوستون، نسبتا نادر بود که شیمی‌دانان نیمکت دانش کاری از نوع مدل‌سازی شیمیایی داشتند که از طریق رویکردهای محاسباتی مانند نظریه تابعی چگالی (DFT) در دسترس بود. این رشته‌ها (و مجموعه مهارت‌ها) متعامد بودند. به جای بررسی دیدگاه‌های DFT، شیمی‌دانان نیمکت به رویکردهای سیستماتیک که با امید به کشف تحصیل‌کرده اما اغلب خوش‌شانس ترکیب شده بودند، چسبیدند.

من به اندازه کافی خوش‌شانس بودم که در گروه تحقیقاتی پروفسور امیر هویدا کار کنم، که خیلی زود متوجه ارزش ترکیب تحقیقات تجربی با تحقیقات نظری شد.

نارضایتی از داده‌های غلط

امروزه، تحقیقات نظری و مدل‌سازی واکنش‌های شیمیایی برای درک نتایج تجربی امری عادی است، زیرا رشته نظری پیچیده‌تر شد و شیمی‌دانان نیمکت به تدریج شروع به ترکیب این مدل‌ها در کار خود کردند. خروجی مدل‌ها یک حلقه بازخورد مفید برای کشف در آزمایشگاه فراهم می‌کند. به عنوان مثال، انفجار داده‌های شیمیایی موجود از نمایش با توان عملیاتی بالا، امکان ایجاد مدل‌های شیمیایی به خوبی توسعه‌یافته را فراهم کرده است. کاربردهای صنعتی این مدل‌ها شامل کشف دارو و آزمایش مواد است.

با این حال، عامل محدود کننده این مدل‌ها، نیاز به ساده‌سازی است. در هر مرحله از شبیه‌سازی، شما باید یک ناحیه مشخص را انتخاب کنید که در آن می‌خواهید بر سر دقت مصالحه کنید تا در محدوده کاری کامپیوتر که عملا می‌تواند انجام دهد باقی بمانید. در اصطلاحات این حوزه، شما با مدل‌های «دانه‌درشت» کار می‌کنید-که در آن‌ها عمدا عناصر شناخته‌شده واکنش را به منظور اولویت‌بندی دقت در حوزه‌هایی که در حال بررسی آن هستید، ساده‌سازی می‌کنید. هر ساده‌سازی دقت کلی مدل شما را کاهش می‌دهد و سودمندی آن را در پیگیری اکتشاف محدود می‌کند. به بیان ساده‌تر، هرچه داده‌های شما درشت‌تر باشند، کار آزمایشگاهی شما بیشتر خواهد بود.

رویکرد کوانتومی متفاوت است. در خالص‌ترین حالت، محاسبات کوانتومی به شما این امکان را می‌دهد که طبیعت را آن‌طور که هست مدل کنید؛ هیچ تقریبی وجود ندارد. در جملاتِ بارها نقل‌شده از ریچارد فاینمن، آمده است«طبیعت کلاسیک نیست، و اگر شما می‌خواهید یک شبیه‌سازی از طبیعت انجام دهید، بهتر است آن را به مکانیک کوانتوم تبدیل کنید.»

ما در سال‌های اخیر شاهد پیشرفت‌های سریعی در قدرت کامپیوترهای کوانتومی بوده‌ایم. IBM حجم کوانتومی خود را نه یک‌بار بلکه دو بار در سال ۲۰۲۰ دو برابر کرد و در حال رسیدن به حجم کوانتومی بیش از ۱۰۰۰ در مقایسه با ارقام تک‌رقمی در سال ۲۰۱۶ است.

برخی دیگر در این صنعت نیز ادعاهای جسورانه‌ای در مورد قدرت و قابلیت‌های ماشین‌های خود مطرح کرده‌اند. تا کنون، ما استفاده از کامپیوترهای کوانتومی را برای مدل‌سازی انرژی‌های مربوط به حالت‌های زمین و حالت‌های برانگیخته مولکول‌ها گسترش داده‌ایم. این نوع محاسبات ما را به سمت کشف چشم‌انداز انرژی واکنش و مولکول‌های واکنشی عکس سوق خواهد داد.

علاوه بر این، ما با استفاده از آن‌ها به مدل‌سازی همان دوقطبی در مولکول‌های کوچک، یک گام در جهت درک توزیع الکترونیکی و پلاریزاسیون مولکول‌ها پرداخته‌ایم، که همچنین می‌تواند چیزی در مورد نحوه واکنش آن‌ها به ما بگوید. با نگاهی به آینده، ما شروع به قرار دادن پایه و اساس مدل‌سازی آینده سیستم‌های شیمیایی با استفاده از کامپیوترهای کوانتومی کرده‌ایم و امروزه به دنبال انواع مختلفی از محاسبات در مورد انواع مختلف مولکول‌های محلول در یک کامپیوتر کوانتومی هستیم. برای مثال، چه اتفاقی می‌افتد وقتی که شما یک الکترون جفت نشده در سیستم داشته باشید؟ آیا محاسبات صحت خود را از دست می‌دهند، و چگونه می‌توانیم الگوریتم را تنظیم کنیم تا آن‌ها را با نتایج مورد انتظار مطابقت دهیم؟

این نوع کار ما را قادر خواهد ساخت تا روزی نگاهی به گونه‌های رادیکال بیندازیم، که تجزیه و تحلیل آن‌ها در آزمایشگاه و یا شبیه‌سازی کلاسیک آن‌ها بسیار دشوار است. برای اطمینان، این کار در کامپیوترهای کلاسیک قابل تکرار است. با این حال، هیچ کدام از آن‌ها با تکنولوژی کوانتومی که پنج سال پیش وجود داشت، امکان پذیر نبودند.

پیشرفت در سال‌های اخیر این وعده را می‌دهد که محاسبات کوانتومی می‌تواند به عنوان یک کاتالیزور قدرتمند برای کشف شیمیایی در آینده نزدیک عمل کند. برخورد کوانتوم و کلاسیک بودن من آینده‌ای را تصور نمی‌کنم که در آن شیمی‌دان‌ها به سادگی الگوریتم‌ها را به یک دستگاه کوانتومی وصل کنند و یک مجموعه داده واضح برای کشف فوری در آزمایشگاه ارائه دهند.

چیزی که امکان‌پذیر است-و ممکن است در حال حاضر امکان‌پذیر باشد-ترکیب مدل‌های کوانتومی به عنوان یک گام در فرآیندهای موجود است که در حال حاضر بر کامپیوترهای کلاسیک تکیه دارند. در این رویکرد، ما از روش‌های کلاسیک برای بخش محاسباتی فشرده یک مدل استفاده می‌کنیم. این می‌تواند شامل یک آنزیم، یک زنجیره پلیمری یا یک سطح فلزی باشد. ما هنوز هم تقریب‌ها را در بخش‌های خاصی از مدل می‌پذیریم اما به دقت بیشتری در بخش‌های متمایز واکنش دست خواهیم یافت. ما در حال حاضر پیشرفت‌های مهمی را از طریق مطالعه احتمال جایگزاری محاسبات ساختار الکترونی کوانتومی در یک محیط محاسباتی کلاسیک به‌دست‌آمده در سطح نظریه هاردرخت-فلاک (HF) یا DFT به دست آورده‌ایم.

کاربردهای عملی پیشبرد این روش متعدد و تاثیرگذار هستند. پیشرفت‌های سریع در زمینه زنجیره‌های پلیمری می‌تواند به حل مشکل آلودگی پلاستیک کمک کند، که از زمانی که چین واردات مواد قابل بازیافت خود را کاهش داده است، بسیار حادتر شده است. هزینه‌های انرژی بازیافت پلاستیک داخلی نسبتا بالا باقی می‌ماند؛ اگر ما بتوانیم پلاستیک‌هایی که بازیافت آن‌ها آسان‌تر است را توسعه دهیم، می‌توانیم یک فرورفتگی عمده در ضایعات پلاستیکی ایجاد کنیم. فراتر از زمینه پلاستیک‌ها، نیاز به موادی با انتشار کربن کم‌تر، همیشه بیشتر فشار می‌آورد، و توانایی تولید موادی مانند سوخت جت و بتن با جای پای کربن کوچک‌تر (تولید کربن کمتر)‌، برای کاهش انتشار کل گازهای گلخانه‌ای ضروری است.

مدل‌سازی آینده

نسل بعدی شیمی‌دانان در حال ظهور از مدارس ابتدایی در سراسر جهان، سطحی از روان بودن داده‌ها را به ارمغان می‌آورد که در دهه ۲۰۰۰غیرقابل‌تصور بود. اما محدودیت‌های این شیوایی فیزیکی هستند: کامپیوترهای کلاسیک نمی‌توانند به سادگی سطح پیچیدگی موادی مثل کافئین را کنترل کنند. در این حالت پویا، هیچ مقداری از روان بودن داده‌ها نمی‌تواند نیاز به خوش‌اقبالی را برطرف کند: شما در دنیایی کار خواهید کرد که در آن برای پیشرفت‌های مهم به شانس نیاز دارید. بنابراین توسعه و پذیرش کامپیوترهای کوانتومی برای عملکرد آینده شیمی‌دانان بسیار مهم است.

https://blog.tarjomyar.ir/%DA%86%DA%AF%D9%88%D9%86%D9%87-%D9%85%D8%AD%D8%A7%D8%B3%D8%A8%D8%A7%D8%AA-%DA%A9%D9%88%D8%A7%D9%86%D8%AA%D9%88%D9%85%DB%8C-%D9%85%DB%8C-%D8%AA%D9%88%D8%A7%D9%86%D8%AF-%D8%B9%D9%84%D9%85-%D8%B4%DB%8C%D9%85%DB%8C-%D8%B1%D8%A7-%D9%85%D8%AA%D8%A7%D8%AB%D8%B1-%DA%A9%D9%86%D8%AF-drzooxor1hht

پریسا قلی زاده · Answer

چگونه محاسبات کوانتومی می‌تواند علم شیمی را متاثر کند؟

شکل ۱. ساختارهای شیمیایی

منتشر‌شده در scientificamerican به تاریخ ۱۵ مارس ۲۰۲۱
لینک منبع How Quantum Computing Could Remake Chemistry

در دوران کارم به عنوان یک شیمی‌دان، من یک بدهی بزرگ به سرنوشت دارم. در سال ۲۰۱۲، من در زمان مناسب در مکان مناسبی بودم (آزمایشگاه تحقیقاتی آلمادن آی‌بی‌ام در کالیفرنیا)-و کار «اشتباه» را انجام دادم. قرار بود که من سه جز را در یک سازنده به امید کشف سیستماتیک ترکیبی از مواد شیمیایی مخلوط کنم، به این معنی که یکی از مواد شیمیایی با نسخه‌ای که از ضایعات پلاستیکی گرفته شده‌ بود، در تلاش برای افزایش پایداری پلیمرهای ترموست را جایگزین کنم.

در عوض، وقتی دو تا از معرف‌ها را با هم ترکیب کردم، یک ماده پلاستیکی سخت و سفید در ظرف شکل گرفت. آنقدر سخت بود که مجبور شدم برای بیرون آوردنش آن را خرد کنم. علاوه بر این، وقتی یک شب در اسید رقیق قرار گرفت، به مواد اولیه خود برگشت. بدون هیچ مفهومی، من یک خانواده کاملا جدید از پلیمرهای ترموست قابل بازیافت را کشف کرده بودم. اگر آن را یک آزمایش شکست‌خورده در نظر گرفته بودم و آن را دنبال نکرده بودم، هرگز نمی‌فهمیدیم چه چیزی درست کرده‌ایم. در بهترین حالت، در سنت اصیل روی پلانکت، که تفلون را به طور اتفاقی اختراع کرد در‌حالی‌که روی شیمی گازهای خنک‌کننده کار می‌کرد، این یک موفقیت علمی بود.

امروز، من یک هدف جدید دارم: کاهش نیاز به سرنوشت در کشف شیمیایی. طبیعت در حال نشان دادن چالش‌های واقعی در جهان است، از بحران آب و هوایی در حال پیشرفت گرفته تا زنگ بیدار شدن COVID19. این چالش‌ها آنقدر بزرگ هستند که نمی‌توان آن‌ها را به دست سرنوشت سپرد. طبیعت پیچیده و قدرتمند است، و ما باید قادر به مدل‌سازی دقیق آن باشیم اگر بخواهیم پیشرفت‌های علمی لازم را انجام دهیم.

به طور خاص، اگر بخواهیم زمینه شیمی را به سمت جلو سوق دهیم، باید قادر به درک انرژی واکنش‌های شیمیایی با سطح بالایی از اطمینان باشیم. این یک بینش جدید نیست، اما این بینش است که یک محدودیت عمده را برجسته می‌کند: پیش‌بینی دقیق رفتار حتی مولکول‌های ساده فراتر از توانایی‌های حتی قوی‌ترین کامپیوترها است.

این جایی است که محاسبات کوانتومی امکان پیشرفت‌های عمده در سال‌های آینده را ارائه می‌دهد. مدل‌سازی واکنش‌های پر‌انرژی در کامپیوترهای کلاسیک نیاز به تقریب دارد، زیرا آن‌ها نمی‌توانند رفتار کوانتومی الکترون‌ها را در یک اندازه سیستم خاص مدل‌سازی کنند. هر تقریب ارزش مدل را کاهش می‌دهد و مقدار کار آزمایشگاهی را افزایش می‌دهد که شیمی‌دانان باید برای تایید و هدایت مدل انجام دهند. با این حال، محاسبات کوانتومی در حال حاضر در نقطه‌ای است که می‌تواند شروع به مدل‌سازی انرژی و ویژگی‌های مولکول‌های کوچک مانند لیتیوم هیدرید، LiH کند-که امکان مدل‌هایی را فراهم می‌کند که مسیرهای واضح‌تری برای کشف نسبت به آنچه ما اکنون داریم فراهم می‌کنند.

شاید علاقمند به مطالعه مقاله آیا کامپیوترهای کوانتومی در برداشت سهام خوب عمل می کنند؟ باشید.

قانون کوانتوم شیمی

البته شیمی کوانتومی به عنوان یک میدان چیز جدیدی نیست. در اوایل قرن بیستم، شیمی‌دانان آلمانی مانند والتر هیتلر و فریتز لندن نشان دادند که پیوند کووالانسی می‌تواند با استفاده از مکانیک کوانتومی درک شود. در اواخر قرن بیستم، رشد قدرت محاسباتی در دسترس شیمی‌دانان به این معنی بود که انجام برخی از مدل‌سازی‌های اساسی در سیستم‌های کلاسیک عملی بود.

با این حال، وقتی داشتم پی‌اچ‌دی‌ خود را در اواسط سال 2000 در کالج بوستون می‌گرفتم، D در اواسط دهه ۲۰۰۰ در کالج بوستون، نسبتا نادر بود که شیمی‌دانان نیمکت دانش کاری از نوع مدل‌سازی شیمیایی داشتند که از طریق رویکردهای محاسباتی مانند نظریه تابعی چگالی (DFT) در دسترس بود. این رشته‌ها (و مجموعه مهارت‌ها) متعامد بودند. به جای بررسی دیدگاه‌های DFT، شیمی‌دانان نیمکت به رویکردهای سیستماتیک که با امید به کشف تحصیل‌کرده اما اغلب خوش‌شانس ترکیب شده بودند، چسبیدند.

من به اندازه کافی خوش‌شانس بودم که در گروه تحقیقاتی پروفسور امیر هویدا کار کنم، که خیلی زود متوجه ارزش ترکیب تحقیقات تجربی با تحقیقات نظری شد.

مطالعه مقاله تکنولوژی GPT-3 چیست و چرا انقلابی در هوش مصنوعی ایجاد می‌کند؟ توصیه می‌شود.