Scalable Quantum Molecular Generation via GPU-Accelerated Tensor-Network Simulation

ملخص تقني لورقة بحثية بعنوان: "التوليد الجزيئي الكمي القابل للتوسع عبر محاكاة الشبكة التنسورية المعززة بمعالجات الرسوميات (GPU)"

1. بيان المشكلة

يعد تصميم الجزيئات أمراً حاسماً في اكتشاف الأدوية وعلوم المواد، لكن استكشاف الفضاء الكيميائي الشاسع يظل تحدياً حوسبياً كبيراً. وبينما أظهرت النماذج التوليدية الكلاسيكية (مثل GANs وVAEs وLLMs) نتائج واعدة، إلا أنها غالباً ما تعاني من تكاليف حوسبية عالية، وانهيار النمط (mode collapse)، ومحدودية القابلية للتفسير.

تقدم النماذج التوليدية الكمية بديلاً من خلال أخذ العينات من فضاءات هيلبرت الضخمة أسياً. ومع ذلك، تواجه مناهج التوليد الجزيئي الكمي (QMG) الحالية عائقين رئيسيين:

1. القابلية للتوسع (Scalability): تتطلب محاكاة متجه الحالة (state-vector) التقليدية ذاكرة أسية ($O(2^N)$)، مما يحد من عمليات المحاكاة الدقيقة لأعداد قليلة من الكيوبتات حتى مع تسريع معالجات الرسوميات.
2. العبء الديناميكي (Dynamic Overhead): تتطلب تصميمات الدوائر "الديناميكية" السابقة التي تعيد استخدام الكيوبتات للذرات عمليات قياس منتصف الدائرة، وشروطاً كلاسيكية، وإعادة ضبط متكررة. وهذا يزيد من عمق الدائرة وأعباء المزامنة، مما يبطئ معدلات أخذ العينات.

2. المنهجية

يقترح المؤلفون إطار عمل التوليد الجزيئي الكمي القابل للتوسع (SQMG)، وهو إطار يدمج بنية دارة تباينية موجهة كيميائياً مع محاكاة شبكة تنسورية (TN) معززة بمعالجات الرسوميات (GPU).

أ. بنية الدارة: "عدم إعادة استخدام الذرات، وإعادة استخدام الروابط"
يستخدم SQMG بنية هجينة مصممة لموازنة كفاءة الكيوبت وسرعة المحاكاة:

• الدائرة الفرعية الذرية (ثابتة): يتم تخصي-ص لكل ذرة ثقيلة سجل مكون من 3 كيوبتات ثابتة. تخضع هذه الكيوبتات لتدويرات $R_y(\theta)$ ببارامترات وبوابات متحكم بها لتشفير هوية الذرة. وتعمل مخرجات الـ 3 بت على رسم خريطة لأبجدية مكونة من 8 حالات: حالة واحدة لـ "لا يوجد" (NONE) وسبع ذرات ثقيلة (C, O, N, S, P, F, Cl).
• الدائرة الفرعية للروابط (ديناميكية/معاد استخدامها): يتم إعادة استخدام سجل واحد مكون من 2 كيوبت بالتتابع لتوليد الروابط بين الذرات. إذا وُجدت ذرتان (غير NONE)، يتم تفعيل وحدة ربط شرطية على هذه الكيوبتات المشتركة لتشفير رتب الروابط (لا يوجد، أحادي، ثنائي، ثلاثي).
• التوسع: تؤدي هذه البنية إلى توسع خطي في الكيوبتات ($3N + 2$ كيوبت لـ $N$ من الذرات الثقيلة) وميزانية بارامترات تربيعية ($N^2 + 9N - 1$)، مما يتجنب النمو التربيعي للكيوبتات في المخططات الثابتة بالكامل، ويتجنب في الوقت نفسه عبء المزامنة في مخططات إعادة استخدام الذرات الديناميكية بالكامل.

ب. محركات المحاكاة الخلفية
تم تنفيذ إطار العمل في CUDA-Q وتم اختبار ثلاثة محركات خلفية لمعالجة عنق الزجاجة في الذاكرة:

1. متجه الحالة (CPU): استُخدم كخط أساس (Quantum++). محدود بالتكاليف الأسية للذاكرة والحوسبة.
2. متجه الحالة (GPU): يستخدم cuStateVec من NVIDIA لتحقيق إنتاجية عالية لأخذ العينات في الأنظمة الصغيرة والمتوسطة.
3. الشبكة التنسورية (GPU): يستخدم cuTensorNet لمحاكاة تطور الدارة عبر تقليص التنسور (tensor contraction). هذا يتجنب تجسيد متجه الحالة الكامل، مما يسمح بالمحاكاة الدقيقة لأعداد أكبر من الكيوبتات حيث تفشل طرق متجه الحالة.

ج. استراتيجية التحسين
تمت مقارنة طريقتين للتحسين لتدريب بارامترات الدارة التباينية:

• COBYLA: طريقة بحث محلي خالية من الاشتقاق، وتتميز بكونها قوية تجاه ضجيج العينات (shot noise).
• التحسين البايزي (Bayesian Optimization - BO): يستخدم نموذج عملية غاوس البديل ودالة الاستحواذ (Expected Improvement - EI) للموازنة بين الاستكشاف والاستغلال. وهذا أمر بالغ الأهمية للتنقل في المشهد غير المتصل والمليء بالضجيج للأهداف الكمية.

3. النتائج الرئيسية

أ. أداء المحاكاة والقابلية للتوسع

• التسريع: عند $N=8$ ذرات ثقيلة، حقق محاكي متجه الحالة (GPU) تسريعاً قدره $4.5 \times 10^4$ مقارنة بخط الأساس (CPU)، بينما حقق محاكي الشبكة التنسورية (TN) تسريعاً قدره $2.2 \times 10^3$.
• حد التوسع: تصبح طرق متجه الحالة (حتى على GPU) محدودة بالذاكرة بعد $N=9$. في المقابل، نجحت محاكاة الشبكة التنسورية في تمديد المحاكاة الدقيقة إلى $N=40$ ذرة ثقيلة.
• تأثير البنية: خلافاً للتوقعات، كان تصميم "عدم إعادة استخدام الذرات" (السجل الثابت) أسرع بنحو 1.9 مرة من تصميمات "إعادة استخدام الذرات" (الديناميكية) في محاكاة TN عند $N=40$. فالأجزاء الثابتة تنتج دوائر أكثر هيكلية يمكن لمحركات TN تقليصها بكفاءة أكبر، مما يتفوق على ميزة عدد الكيوبتات الأقل في إعادة الاستخدام الديناميكي.

ب. أداء التحسين

• BO مقابل COBYLA: تفوق التحسين البايزي بشكل كبير على COBYLA في الهدف المركب لـ الصلاحية $\times$ التفرد (Validity $\times$ Uniqueness).
  • COBYLA: تقارب بسرعة نحو حد أمثل محلي (النتيجة: 0.32).
  • التحسين البايزي (BO): نجح في استكشاف فضاء البارامترات للعثور على تكوين متفوق (النتيجة: 0.69، مع صلاحية $\approx$ 0.96 وتفرد $\approx$ 0.72).

ج. القدرات الوظيفية
أظهر SQMG تنوعاً عبر ثلاثة أنماط لتصميم الجزيئات:

1. التوليد من الصفر (De Novo Generation): توليد الرسوم البيانية الجزيئية الكاملة من البداية.
2. تزيين الهيكل (Scaffold Decoration): تثبيت هيكل أساسي (مثل الإندول) واستخدام الدارة الكمية لاختيار المستبدلات.
3. تصميم الرابط (Linker Design): ربط جزأين محددين مسبقاً عبر توليد روابط مثالية (الطول، التركيب، ورتبة الرابطة).

4. الأهمية والمساهمات

• بيئة اختبار قابلة للتوسع: يوفر SQMG أول إطار عمل قابل لإعادة الإنتاج لتقييم التوليد الجزيئي الكمي عند مقاييس ($N=40$) لم يكن من الممكن الوصول إليها سابقاً بالمحاكاة الدقيقة، مما يسد الفجوة بين إثباتات المفهوم صغيرة النطاق والأحجام الجزيئية العملية.
• التصميم المدرك للأجهزة: توضح الورقة أن تخصيص الكيوبتات "الثابت" يمكن أن يكون متفوقاً على إعادة الاستخدام "الديناميكي" عند اقترانه بمحاكيات الشبكة التنسورية، مما يقدم مبدأ تصميم جديد للخوارزميات الهجينة (كمي-كلاسيكي).
• التحقق الخوارزمي: تثبت الدراسة أن محاكاة الشبكة التنسورية هي مُمكّن حاسم للكيمياء الكمية، مما يسمح للباحثين باختبار الخوارزميات دون الحاجة إلى أجهزة كمية فيزيائية أو الاصطدام بجدران الذاكرة.
• رؤى التحسين: تسلط الدراسة الضوء على أن استراتيجيات التحسين العالمي (التحسين البايزي) ضرورية لتدريب الدارات الكمية التباينية في البيئات الصاخبة، حيث تتفوق على طرق البحث المحلي التقليدية.

في الختام، يؤسس SQMG مساراً عالي الأداء وقابلاً للتوسع لتوليد الجزيئات الكمية، مستفيداً من الشبكات التنسورية المعززة بمعالجات الرسوميات (GPU) للتغلب على قيود الذاكرة لمحاكاة متجه الحالة، مما يتيح استكشاف الفضاءات الكيميائية المعقدة.