קרדיט תמונה: Zirat AI / AI
סופר־המחשב Sunway של סין מדרג רשתות נוירונים לכימיה קוונטית
חוקרים סינים אימנו מודל Neural-Network Quantum States על Sunway OceanLite והגיעו ליעילות מדרגיות יוצאת דופן על 37 מיליון ליבות, כדי לאמוד פונקציית גל של מולקולות עד 120 מסלולי ספין. העבודה מציעה מסלול משלים למחשוב קוונטי ומדגימה כיצד HPC ו־AI מתכנסים למידול חומרים וכימיה מתקדמת
חוקרים בסין הדגימו קפיצה ביכולת הדמיה של כימיה קוונטית על גבי סופר־המחשב Sunway OceanLite, תוך שימוש בגישת Neural-Network Quantum States כדי לאמוד את פונקציית הגל האלקטרונית של מערכות מולקולריות גדולות במיוחד. בניסויים נרשמה מדרגיות חזקה של 92 אחוז ומדרגיות חלשה של 98 אחוז על פני 37 מיליון ליבות, נתונים נדירים בקני מידה אלו ומעידים על התאמה הדוקה בין התוכנה לארכיטקטורה.
במקום לפתור ישירות את משוואת שרדינגר, מה שמסתבך אקספוננציאלית עם גודל המערכת, NNQS מאמנת רשת נוירונים שמדגמת קונפיגורציות אלקטרונים וממזערת את האנרגיה המקומית במסגרת Variational Monte Carlo. המחקר הרחיב את גבולות השיטה עד כ־120 מסלולי ספין, היקף שהיה עד כה נחלתם של מודלים מפושטיים או מחשוב קוונטי ניסיוני.
ארכיטקטורת OceanLite נשענת על מעבדי SW26010‑Pro מרובי־ליבות קלי משקל עם זיכרון מקומי במקום מטמון, יחד עם "ליבות ניהול" לתזמור תקשורת. כדי להתמודד עם עומסים לא אחידים של כימיה קוונטית, הצוות פיתח מסגרת NNQS‑Transformer מקבילית־נתונים ואלגוריתם איזון עומסים דינמי, כך שכמעט אף ליבה לא נותרה מובטלת. השילוב הזה מסביר את היעילות החריגה במדרגיות שנמדדה.
מה המשמעות המדעית? NNQS מציעה גשר בין קלאסי לקוונטי: היא לוכדת את מבנה הסימן והאנטי־סימטריה של פרמיונים באמצעות מודלים אוטורגרסיביים או שכבות Transformer, ומאפשרת קירוב מדויק דיו למשימות מעשיות כמו הערכת אנרגיות מצב יסוד ותצפיות קורלציה. מחקרים מקבילים בקהילה, למשל FermiNet ו‑PauliNet, וכן ספריות קוד פתוח כמו NetKet, כבר הראו יתרונות של רשתות נוירונים בהגדרות ספין ופרמיונים; ההדגמה על OceanLite מדגימה כיצד להביא את זה לקנה מידה אקססקייל.
ההקשר התעשייתי הולך ומתחדד: לצד עבודות טריות על שימוש ב‑GPU להאצת כימיה קוונטית, נראה שהתכנסות HPC, מאיצי AI ושיטות וריאציוניות תאפשר קיצור מחזורי גילוי חומרים. עבור אקדמיה ותעשייה בישראל, המשמעות פרקטית: ניתן להתחיל ליהנות מהשיטות הללו על אשכולי GPU זמינים בענן ובמרכזי HPC מקומיים, תוך אימוץ מתודולוגיות VMC ו‑NNQS בסביבות PyTorch/JAX, והצלבתן עם קוד פתוח. תחומים כמו חומרים לאגירת אנרגיה, זרזים וסמיקונדקטורים עשויים ליהנות במיוחד מהקירובים הללו עד להבשלה רחבה יותר של חומרה קוונטית.
חשוב לציין כי למרות ההישגים, קיימים אתגרים: הכללה למערכות גדולות מאוד דורשת דגימה יעילה של מרחבי קונפיגורציות דלילים, הקפדה על שמירת סימטריות פיזיקליות, והפחתת עלויות תקשורת בין־צמתים. עם זאת, התוצאה מסמנת שכבר היום ניתן לדלג על חלק מחסמי הכניסה של מחשוב קוונטי ולבצע חישובי כימיה מדויקים יותר על גבי תשתיות קלאסיות בקנה מידה עולמי.