در طول دهه گذشته، مواد درخشان آلی توسط دانشگاه و صنعت به طور یکسان به عنوان اجزای امیدوارکننده برای دستگاه های نوری نوری، انعطاف پذیر و همه کاره مانند نمایشگرهای OLED شناخته شده اند. با این حال، یافتن مواد کارآمد مناسب یک چالش است. برای مقابله با این چالش، یک تیم تحقیقاتی مشترک رویکرد جدیدی را ایجاد کرده است که یک مدل یادگیری ماشین را با طراحی مولکولی محاسباتی کلاسیک کوانتومی ترکیب می‌کند تا کشف تابشگرهای OLED کارآمد را تسریع بخشد. تابشگر OLED بهینه کشف شده توسط نویسندگان با استفاده از این "روش ترکیبی کوانتومی کلاسیک" مشتق شده از Alq3 است و هم در انتشار نور بسیار کارآمد و هم قابل سنتز است.
تابشگرهای OLED دوتره شده مواد آلی هستند که در آنها اتم های هیدروژن با اتم های دوتریوم در مولکول های امیتر جایگزین می شوند. اگرچه آنها پتانسیل انتشار نور بسیار کارآمد را دارند، طراحی چنین تابشگرهای OLED دوتره شده یک چالش محاسباتی ایجاد می کند. این چالش از نیاز به بهینه سازی موقعیت اتم های دوتریوم در مولکول های امیتر ناشی می شود که نیاز به انجام محاسبات از ابتدا دارد.
این روش جدید، که شامل یک کامپیوتر کلاسیک و یک کامپیوتر کوانتومی است، این محاسبات را سرعت می بخشد. ابتدا، محاسبات شیمی کوانتومی بر روی یک کامپیوتر کلاسیک برای به دست آوردن «بازده کوانتومی» مجموعه‌ای از مولکول‌های Deuterated Alq3 انجام می‌شود. این داده‌ها در مورد راندمان ساطع نور مولکول‌های مختلف برای ایجاد مجموعه‌های آموزشی و آزمایشی برای ساخت یک مدل یادگیری ماشین برای پیش‌بینی بازده کوانتومی مولکول‌های مختلف Alq3 deuterated استفاده می‌شوند.
در مرحله بعد، مدل یادگیری ماشین برای ساخت تابع انرژی سیستم، که به نام هامیلتونی شناخته می شود، استفاده می شود. سپس بهینه‌سازی کوانتومی بر روی یک کامپیوتر کوانتومی با استفاده از دو الگوریتم بهینه‌سازی تغییرات کوانتومی - حل‌کننده ویژه کوانتومی (VQE) و الگوریتم بهینه‌سازی تقریبی کوانتومی (QAQA) - برای کمک به یادگیری ماشین برای کشف مولکول‌هایی با بازده کوانتومی بهینه انجام می‌شود. یک محدودیت مصنوعی در طول فرآیند بهینه‌سازی کوانتومی معرفی می‌شود تا اطمینان حاصل شود که مولکول بهینه‌سازی شده قابل سنتز است.
برای بهبود دقت پیش‌بینی در دستگاه‌های کوانتومی، نویسندگان یک تکنیک مقاوم در برابر نویز به نام حذف متغیر احتمالی بازگشتی (RPVE: recursive probabilistic variable elimination) را اتخاذ کردند و موفق شدند «مولکول دوتره‌شده بهینه را با دقت بسیار بالا با استفاده از یک دستگاه کوانتومی پیدا کنند». علاوه بر این، آنها اشاره می کنند که ترکیب این تکنیک جدید مقاوم در برابر نویز با دو الگوریتم بهینه سازی کوانتومی انتخابی آنها می تواند به مزیت کوانتومی برای محاسبات دستگاه های کوانتومی کوتاه مدت دست یابد. به طور کلی، نویسندگان انتظار دارند که رویکرد آنها، که ترکیبی از شیمی کوانتومی، یادگیری ماشین و بهینه‌سازی کوانتومی است، می‌تواند «فرصت‌های جدیدی برای تولید و بهینه‌سازی مولکول‌های کلیدی برای انفورماتیک مواد» ایجاد کند.
لینک مقاله:
https://spj.science.org/doi/10.34133/icomputing.0037
