معمولاً، شبیه‌سازی‌ها برای تحقیقات علمی روی ابررایانه‌ها انجام می‌شوند زیرا به توان محاسباتی فوق‌العاده‌ای نیاز دارند. همچنین انواع تحقیقاتی وجود دارد — مانند شبیه‌سازی رفتار کوانتومی مولکول‌ها با حالت‌های برهم‌کنش‌کننده به صورت نمایی بیشتر — که برای شبیه‌سازی آن‌ها به رایانه‌های کوانتومی نیاز است، یا ساده‌سازی‌هایی برای مناسب‌سازی این کار برای ابررایانه‌های مدرن. با این حال، دانشمندان چینی از Sunway با موفقیت از یک مدل هوش مصنوعی و یک ابررایانه موجود Oceanlite برای مدل‌سازی شیمی کوانتومی پیچیده در مقیاس مولکول‌های واقعی استفاده کرده‌اند که طبق گزارش VastData، یک پیشرفت علمی و فناوری محسوب می‌شود.

یک حالت کوانتومی در مکانیک کوانتومی — که با تابع موج (Ψ) توصیف می‌شود — تمام پیکربندی‌های ممکن یک سیستم کوانتومی، مانند موقعیت‌ها، اسپین‌ها یا سطوح انرژی ذراتی مانند الکترون‌ها در یک مولکول، همراه با احتمالات آن‌ها را تعیین می‌کند. مدل‌سازی آن چالش‌برانگیز است زیرا فضای حالت با تعداد ذرات به صورت نمایی رشد می‌کند و شبیه‌سازی آن را در ابررایانه‌های کلاسیکی که امروزه استفاده می‌کنیم، غیرممکن (و غیرعملی) می‌سازد. برای این منظور، دانشمندان از روش‌های تقریبی مختلفی برای ساده‌سازی معادلات کوانتومی استفاده می‌کنند، در حالی که دقت را برای توصیف ساختارهای مولکولی، واکنش‌ها و انرژی‌ها حفظ می‌کنند. با این حال، مقیاس‌پذیری روش‌های موجود که تابع موج را تقریب می‌زنند، به مولکول‌های کوچک محدود می‌شود.

برای مطالعه سیستم‌های کوانتومی چندجسمی با همبستگی‌های الکترونی قوی (مانند ده‌ها الکترون، بیش از ۱۰۰ اوربیتال اسپین و غیره)، چندین سال پیش فیزیکدانان پیشنهاد کردند که از جایگزین‌های یادگیری ماشین مدرن، مانند حالت‌های کوانتومی شبکه عصبی (NNQS)، برای تقریب زدن تمام پیکربندی‌ها و حرکات ممکن الکترون‌ها در یک مولکول استفاده شود. این روش نوید می‌دهد که مقیاس‌پذیری هوش مصنوعی را با دقت کوانتومی برای تحقیقاتی که در حال حاضر با استفاده از روش‌های سنتی غیرممکن است، پیوند دهد.

برای انجام آزمایش خود با ۱۲۰ اوربیتال اسپین، محققان چارچوب NNQS خود را توسعه دادند. شبیه‌سازی آن‌ها یک شبکه عصبی را آموزش داد تا تابع موج مولکول را تقریب بزند و تعیین کند که الکترون‌ها به احتمال زیاد در کجا قرار دارند. برای هر آرایش الکترونی نمونه‌برداری شده، سیستم انرژی محلی را محاسبه کرد و شبکه را تنظیم کرد تا پیش‌بینی‌های آن با الگوی انرژی کوانتومی واقعی مولکول مطابقت یابد.

NNQS اختصاصی که برای ابررایانه Oceanlite چین بر اساس یک CPU 384 هسته‌ای Sunway SW26010-Pro طراحی شده بود، از فرمت‌های داده FP16، FP32 و FP64 پشتیبانی می‌کند و دارای معماری بسیار منحصر به فردی است که بیشتر برای HPC (محاسبات با کارایی بالا) طراحی شده تا هوش مصنوعی. به طور خاص، آن‌ها باید در نظر می‌گرفتند که SW26010-Pro چگونه بار کاری را موازی‌سازی کرده و داده‌ها را مدیریت می‌کند.

محققان یک مدل ارتباطی سلسله‌مراتبی طراحی کرده‌اند که در آن هسته‌های مدیریتی هماهنگی بین پردازنده‌ها و گره‌ها را بر عهده داشتند، در حالی که میلیون‌ها عنصر پردازش محاسباتی (CPE) ‘سبک‌وزن’ ۲-واید با موتور وکتور ۵۱۲ بیتی، محاسبات کوانتومی محلی را انجام می‌دادند. علاوه بر این، آن‌ها یک الگوریتم متعادل‌سازی بار پویا ایجاد کردند تا اطمینان حاصل شود که بارهای محاسباتی ناهموار هیچ هسته‌ای را بیکار نمی‌گذارد.

دانشمندان کد خود را روی ۳۷ میلیون هسته CPE اجرا کردند و به ۹۲٪ مقیاس‌پذیری قوی و ۹۸٪ مقیاس‌پذیری ضعیف دست یافتند، که سطح بالایی از کارایی برای چنین مقیاسی است و نشان می‌دهد که توسعه‌دهندگان به همگام‌سازی تقریباً کاملی بین نرم‌افزار و سخت‌افزار دست یافته‌اند، که یک دستاورد بزرگ برای جامعه ابررایانه‌ای چین محسوب می‌شود. همچنین، تا به امروز، شبیه‌سازی سیستم‌های مولکولی با ۱۲۰ اوربیتال اسپین، بزرگترین محاسبه شیمی کوانتومی مبتنی بر هوش مصنوعی است که تاکنون روی یک ابررایانه کلاسیک انجام شده، که یک پیشرفت برای صنایع هوش مصنوعی و کوانتومی جمهوری خلق چین است.

بدون شک، این دستاورد نشان داد که NNQS می‌تواند برای تحقیقات فیزیک کوانتومی روی ابررایانه‌های مدرن استفاده شود. با این حال، مشخص نیست که آیا استفاده از یک ابررایانه اگزاسکیل مانند Oceanlite برای تحقیقات فیزیک کوانتومی مبتنی بر هوش مصنوعی، هم از نظر تلاش و هم از نظر مصرف انرژی، کارآمد است یا خیر.