[논문 리뷰] Expanding the horizon of automated metamaterials discovery via quantum annealing

Koki Kitai, Jiang Guo외 5명|arXiv (Cornell University)|2019. 02. 18.

Neural Networks and Reservoir Computing참고 문헌 87인용 수 11

한 줄 요약

이 논문은 복잡한 열기능 메타물질의 자동 발견을 가속화하기 위해 D-Wave 2000Q 양자 앤날링을 활용한 양자-고전 하이브리드 알고리즘을 제안한다. 인과성 기반 머신러닝과 엄밀한 결합파 분석을 통합함으로써 문제 크기의 영향을 거의 받지 않으며, 기존 고전적 방법들을 능가하고 대기 중 열투과 창문에 더 잘 맞는 파장 선택성 방사체의 설계를 가능하게 한다.

ABSTRACT

Complexity of materials designed by machine learning is currently limited by the inefficiency of classical computers. We show how quantum annealing can be incorporated into automated materials discovery and conduct a proof-of-principle study on designing complex thermofunctional metamaterials consisting of SiO2, SiC, and Poly(methyl methacrylate). Empirical computing time of our quantum-classical hybrid algorithm involving a factorization machine, a rigorous coupled wave analysis, and a D-Wave 2000Q quantum annealer was insensitive to the problem size, while a classical counterpart experienced rapid increase. Our method was used to design complex structures of wavelength selective radiators showing much better concordance with the thermal atmospheric transparency window in comparison to existing human-designed alternatives. Our result shows that quantum annealing provides scientists gigantic computational power that may change how materials are designed.

연구 동기 및 목표

• 고전적 기계를 사용할 때 메타물질 설계의 계산적 병목 현상을 해결하기 위해.
• 양자 앤날링이 자동 재료 발견 워크플로우의 가속화에 가능성이 있는지 탐색하기 위해.
• SiO2, SiC, 및 PMMA로 구성된 다층 메타물질을 최적화하기 위한 하이브리드 양자-고전 프레임워크를 개발하기 위해.
• 대기 중 열투과 창문에 정확히 일치하는 고성능 파장 선택성 방사체를 달성하기 위해.
• 양자 앤날링이 고전적 최적화 방법에 비해 재료 설계에서 확장성과 효율성 향상을 보이는지 입증하기 위해.

제안 방법

• 메타물질의 구조적 파arameter와 광학적 반응 간의 상호작용을 모델링하기 위해 인과성 기반 머신러닝을 사용한다.
• 엄밀한 결합파 분석(RCWA)을 사용하여 고정밀도로 설계된 다층 구조의 전자기적 반응을 계산한다.
• 최적의 층 구성을 식별하는 조합 최적화 문제를 해결하기 위해 D-Wave 2000Q 양자 앤날링을 활용한다.
• 양자-고전 하이브리드 파이프라인은 양자-앤날링을 통해 도출된 해를 RCWA 평가 루프에 다시 피드백함으로써 후보 설계를 반복적으로 개선한다.
• 문제 크기가 다양할 때의 실측 계산 시간을 측정하여 확장성과 고전적 솔버 대비 성능을 평가한다.
• 알고리즘은 대기 중 투과 창문(8–13 μm) 내에서 선택적 열복사를 위한 메타물질 최적화에 적용된다.

실험 결과

연구 질문

• RQ1 고전적 방법에 비해 양자 앤날링이 복잡한 메타물질 최적화에서 계산 시간을 크게 단축시킬 수 있는가?
• RQ2 메타물질 설계에서 문제 크기가 증가함에 따라 하이브리드 양자-고전 알고리즘의 성능은 어떻게 변화하는가?
• RQ3 양자 앤날링은 메타물질의 스펙트럼 일치도를 대기 중 열투과 창문에 얼마나 향상시킬 수 있는가?
• RQ4 인과성 기반 머신러닝은 재료 최적화를 위한 효율적인 양자 임bedding을 어떻게 가능하게 하는가?
• RQ5 하이브리드 접근법은 열복사 성능에서 인간이 설계한 대안보다 뛰어난 구조를 발견할 수 있는가?

주요 결과

• 하이브리드 양자-고전 알고리즘은 문제 크기에 민감하지 않음을 입증하였으며, 층 수가 증가함에 따라 실측 계산 시간이 거의 일정하게 유지되었다.
• 반면 고전적 대안은 계산 시간이 급격히 증가하여, 양자 앤날링의 핵심적인 확장성 우위를 드러냈다.
• 최적화된 메타물질은 기존 인간이 설계한 대안들보다 대기 중 열투과 창문(8–13 μm)과 훨씬 더 잘 일치하는 성능을 달성했다.
• 이 방법은 SiO2, SiC, 및 PMMA로 구성된 복잡한 다층 구조를 설계하여 맞춤형 스펙트럼 방사율 프로파일을 성공적으로 도출하였다.
• 결과적으로, 양자 앤날링은 기존 고전적 방법으로는 해결하기 어려운 설계 공간 탐색을 가능하게 하여 재료 발견에 상당한 계산 능력을 제공함을 시사한다.
• 이 연구는 양자 앤날링을 자동 재료 발견 파이프라인에 통합하기 위한 개념 증명 프레임워크를 수립하였다.