Towards Chemically Accurate and Scalable Quantum Simulations on IQM Quantum Hardware: A Quantum-HPC Hybrid Approach

Die Studie demonstriert auf dem IQM-Sirius-Prozessor durch den Einsatz von Sample-based Quantum Diagonalization mit LUCJ- und LCNot-UCCSD-Ansätzen sowie DMET-Einbettung chemisch genaue Quantensimulationen für Benchmark-Moleküle und komplexe Systeme wie Amantadin, einschließlich der experimentellen Erstellung einer vollständigen 2D-Potentialenergiefläche für Wasser.

Das Wesentliche

🧪 Die große Herausforderung: Moleküle im Computer zu verstehen

Stellen Sie sich vor, Sie wollen ein neues Medikament entwickeln oder einen besseren Katalysator für saubere Energie finden. Dazu müssen Sie genau verstehen, wie sich Elektronen in einem Molekül verhalten. Das ist wie ein riesiges, chaotisches Tanzfest, bei dem jeder Tänzer (Elektron) auf alle anderen reagiert.

In der klassischen Welt (mit unseren normalen Supercomputern) ist es unmöglich, dieses Tanzfest für große Moleküle exakt zu simulieren. Die Anzahl der möglichen Tanzkombinationen wächst so schnell an, dass selbst die stärksten Computer der Welt nach wenigen Schritten "die Luft ausgeht". Es ist, als wollten Sie alle möglichen Kombinationen von Lottozahlen durchprobieren, um den Jackpot zu knacken – die Zeit würde fehlen, bevor das Universum altert.

🚀 Der neue Ansatz: Ein Team aus Mensch und Maschine

Die Forscher in diesem Papier haben einen cleveren Trick angewendet: Sie nutzen einen Quantencomputer (eine spezielle Maschine, die Gesetze der Quantenphysik nutzt) in Kombination mit einem klassischen Supercomputer.

Stellen Sie sich das so vor:

• Der Quantencomputer ist wie ein genialer, aber etwas vergesslicher Improvisationskünstler. Er kann das "Tanzfest" der Elektronen sehr gut nachahmen, macht aber manchmal kleine Fehler oder vergisst Details.
• Der klassische Computer ist wie ein strenger Dirigent und Rechenkünstler. Er nimmt die groben Ideen des Improvisationskünstlers, ordnet sie, prüft sie und berechnet das Endergebnis präzise.

Diese Zusammenarbeit nennt man Hybrid-Ansatz.

🔍 Das Werkzeug: "SQD" – Der Stichproben-Meister

Das Herzstück der Methode ist ein Algorithmus namens SQD (Sample-based Quantum Diagonalization).

Die Analogie:
Stellen Sie sich vor, Sie wollen herausfinden, welcher Song in einem riesigen Musikarchiv am beliebtesten ist.

• Der alte Weg (VQE): Sie müssten jeden einzelnen Song anhören, bewerten und dann versuchen, die beste Version zu optimieren. Das dauert ewig und ist bei viel Rauschen (Störgeräuschen) im Raum unmöglich.
• Der neue Weg (SQD): Der Quantencomputer spielt einfach zufällig viele Songs ab (er "probiert" verschiedene Zustände). Der klassische Computer hört sich diese Stichproben an, filtert die besten heraus und berechnet daraus die perfekte Melodie.

Das Tolle an SQD ist: Selbst wenn der Quantencomputer bei der Wiedergabe ein bisschen "verrauscht" (Fehler macht), kann der klassische Computer die wichtigsten Informationen trotzdem retten und ein sehr genaues Ergebnis liefern.

🛠️ Was haben die Forscher getestet?

Die Forscher haben diese Methode auf dem IQM Sirius-Quantencomputer (ein Gerät mit 24 Qubits, wovon sie bis zu 16 genutzt haben) getestet. Sie haben zwei verschiedene "Werkzeuge" (Ansätze) verglichen, um die Elektronen-Tänze zu beschreiben:

1. LUCJ (Der effiziente Handwerker): Dieser Ansatz ist schlank, schnell und passt perfekt auf die aktuelle Hardware. Er ist wie ein gut geöltes Fahrrad – einfach, aber sehr effektiv.
2. LCNot-UCCSD (Der detaillierte Architekt): Dieser Ansatz ist sehr genau in der Theorie, aber er baut eine riesige, komplexe Brücke. Auf dem aktuellen, etwas "lauten" Quantencomputer war diese Brücke oft zu lang und instabil, sodass sie zusammenbrach, bevor sie fertig war.

Das Ergebnis: Der "Handwerker" (LUCJ) war der Gewinner. Er lieferte fast perfekte Ergebnisse für kleine Moleküle wie Wasserstoff (H2) und Wasser (H2O).

🗺️ Die Landkarten: PES-Scans

Ein großer Teil der Arbeit bestand darin, Energie-Landkarten zu zeichnen.
Stellen Sie sich vor, Sie wollen die perfekte Form eines Hügels (eines Moleküls) finden, um zu wissen, wo das Tal (die stabilste Form) liegt.

• 1D-Karte: Sie haben nur eine Achse (z. B. wie weit zwei Atome voneinander entfernt sind). Das war wie ein Spaziergang durch ein Tal.
• 2D-Karte (Das Highlight!): Das war die große Neuigkeit. Sie haben eine vollständige 2D-Karte für das Wassermolekül erstellt. Sie haben nicht nur die Distanz, sondern auch den Winkel zwischen den Atomen variiert.
  • Vergleich: Es ist, als hätten sie nicht nur eine Straße durch ein Gebirge vermessen, sondern eine komplette 3D-Karte des gesamten Gebirges erstellt, mit allen Tälern und Gipfeln. Das war das erste Mal, dass so etwas auf einem echten Quanten-Chip passiert ist.

🧩 Das Puzzle: DMET (Das Einbetten)

Was ist, wenn das Molekül so groß ist, dass selbst der Quantencomputer nicht genug Platz hat (z. B. ein Medikament wie Amantadin)?

Hier kommt DMET ins Spiel.
Die Analogie:
Stellen Sie sich vor, Sie wollen ein riesiges, komplexes Puzzle lösen, aber Sie haben nur kleine Hände.

• Statt das ganze Puzzle auf einmal zu packen, schneiden Sie es in kleine Stücke (Fragmente).
• Sie lösen jedes kleine Stück einzeln mit dem Quantencomputer.
• Aber: Jedes Stück hängt mit seinen Nachbarn zusammen. DMET sorgt dafür, dass die Nachbarn "mitdenken". Es baut eine Art "Badebad" (Bath) um jedes Puzzle-Stück herum, damit es sich nicht isoliert fühlt, sondern die Umgebung berücksichtigt.

Die Forscher haben dies erfolgreich für acht verschiedene kleine Moleküle und sogar für das größere Medikament Amantadin getestet. Das Ergebnis war verblüffend: Die berechneten Energien waren so genau, dass sie fast mit der perfekten (aber unmöglichen) theoretischen Berechnung übereinstimmten.

🌟 Das Fazit: Warum ist das wichtig?

1. Es funktioniert: Sie können komplexe chemische Probleme auf heutigen, noch fehleranfälligen Quantencomputern lösen.
2. Es ist skalierbar: Durch die Kombination von "Stichproben" (SQD) und "Teilen & Herrschen" (DMET) können wir bald viel größere Moleküle simulieren, als es heute möglich ist.
3. Die Zukunft: Dies ist ein wichtiger Schritt, um eines Tages neue Medikamente zu entdecken oder Materialien zu erfinden, die wir heute noch nicht verstehen können.

Kurz gesagt: Die Forscher haben bewiesen, dass wir mit einer klugen Mischung aus Quanten- und klassischer Rechenkraft beginnen können, die Geheimnisse der Chemie zu entschlüsseln, die bisher zu komplex waren. Sie haben den ersten Schritt auf einem langen Weg gemacht, der uns vielleicht bald zu völlig neuen Heilmitteln und Technologien führt.

Technische Zusammenfassung

Titel:

Chemisch genaue und skalierbare Quantensimulationen auf IQM-Hardware: Ein hybrider Quanten-HPC-Ansatz

1. Problemstellung und Motivation

Die genaue Beschreibung der elektronischen Struktur von Molekülen ist fundamental für die Materialwissenschaft, Pharmakologie und Chemie. Das zentrale Problem liegt in der „Fluch der Dimensionalität": Der Hilbert-Raum für die Wellenfunktion wächst exponentiell mit der Anzahl der Elektronen und Orbitale. Klassische exakte Methoden wie Full Configuration Interaction (FCI) stoßen bei Systemen mit mehr als ca. 14 korrelierten Elektronen an ihre Grenzen, selbst auf Supercomputern.

Hochgenaue klassische Näherungen wie CCSD(T) skalieren ungünstig ($O(N^7)$) und sind für große Systeme oft unpraktikabel. Quantencomputer versprechen, dieses Problem zu lösen, indem sie den exponentiell wachsenden Hilbert-Raum effizient abbilden. Allerdings sind die vielversprechendsten Algorithmen (wie Quantum Phase Estimation, QPE) fehlerkorrekturbedürftig und für aktuelle Noisy Intermediate-Scale Quantum (NISQ)-Hardware nicht zugänglich. Variationale Algorithmen wie VQE leiden unter Rauschen, „Barren Plateaus" und hohen Messkosten.

Ziel der Arbeit: Demonstration einer skalierbaren, rauschtoleranten Methode zur Berechnung chemisch genauer Energien auf aktueller supraleitender Quantenhardware (IQM Sirius), die über kleine Benchmark-Moleküle hinausgeht und auch größere pharmazeutisch relevante Systeme behandelt.

2. Methodik

Die Studie nutzt einen hybriden Quanten-Klassischen Ansatz, der auf Sample-based Quantum Diagonalization (SQD) basiert.

• Hardware: IQM Sirius, ein 24-Qubit-supraleitender Prozessor mit Stern-Topologie (All-to-All-Konnektivität über einen zentralen Resonator). Es wurden bis zu 16 physikalische Qubits verwendet.
• Algorithmus (SQD):
  • Im Gegensatz zu VQE wird der Quantenprozessor nicht zur Minimierung eines Erwartungswerts genutzt, sondern ausschließlich als Sampler.
  • Ein vorbereiteter Zustand (Ansatz) wird gemessen, um dominante Slater-Determinanten (Bitstrings) zu identifizieren.
  • Diese werden klassisch gefiltert (Symmetrieerhaltung, Fehlerkorrektur durch Konfigurations-Wiederherstellung) und bilden einen reduzierten Unterraum ($S_{sub}$).
  • Die Hamilton-Matrix wird in diesem Unterraum klassisch diagonalisiert (z. B. mit dem Davidson-Verfahren), um die exakte Eigenenergie innerhalb dieses Unterraums zu erhalten. Dies garantiert eine obere Schranke für die Energie und ist robust gegen Hardware-Rauschen, solange der Unterraum repräsentativ ist.
• Ansätze (Wellenfunktionen):
  1. LUCJ (Local Unitary Cluster Jastrow): Ein hardware-effizienter Ansatz mit lokaler Struktur, der auf CCSD-Amplituden initialisiert wird. Er zeichnet sich durch geringe Schaltungstiefe und $O(N^2)$-Skalierung der Parameter aus.
  2. LCNot-UCCSD (Linear-CNOT Unitary Coupled-Cluster Singles and Doubles): Ein Ansatz, der die UCCSD-Struktur mit linear skalierenden CNOT-Gattern implementiert und auf MP2-Amplituden initialisiert wird. Er ist chemisch ausdrucksstark, führt jedoch zu deutlich tieferen Schaltungen.
• Erweiterung für große Systeme (DMET):
  • Um über kleine Moleküle hinauszukommen, wurde SQD mit der Dichtematrix-Einbettungstheorie (DMET) kombiniert.
  • Das System wird in Fragmente zerlegt. Jedes Fragment wird als „Impurität" behandelt, die mit einem Bad (Umgebung) wechselwirkt.
  • Die Impuritätsprobleme werden mit SQD gelöst, während die globale Konsistenz (Teilchenzahl) durch einen chemischen Potential-Loop ($\mu_{glob}$) sichergestellt wird.

3. Wichtige Beiträge und Durchbrüche

1. Umfassende Benchmark-Studie: Erste experimentelle Demonstration von SQD auf IQM-Hardware für eine Reihe von Molekülen ($H_2$, $LiH$, $BeH_2$, $H_2O$, $NH_3$) mit bis zu 16 Qubits.
2. Vergleich von Ansätzen: Systematischer Vergleich von LUCJ und LCNot-UCCSD. LUCJ erwies sich als robuster gegen Rauschen aufgrund geringerer Schaltungstiefe, während LCNot-UCCSD bei größeren Molekülen ($H_2O$, $NH_3$) aufgrund von Rauschen versagte (keine gültigen Samples im Symmetrie-Unterraum).
3. Potenzialflächen (PES):
   • 1D-PES: Detaillierte Scans für $H_2$, $HeH^+$, $LiH$ und $BeH_2$ in verschiedenen Basissätzen (STO-3G, 6-31G).
   • 2D-PES (Weltneuheit): Erste experimentelle Generierung einer vollständigen zweidimensionalen Potenzialenergiefläche für das Wassermolekül ($H_2O$) auf supraleitender Hardware. Dies umfasst ein $32 \times 32$-Gitter aus Bindungslängen und Bindungswinkeln (insgesamt 1.024 Punkte).
4. Skalierung auf pharmazeutische Systeme:
   • Anwendung von DMET-SQD auf acht ligandartige Moleküle.
   • Meilenstein: Erste experimentelle Simulation des pharmakologisch relevanten Medikaments Amantadin ($C_{10}H_{17}N$, 151 Da) auf Quantenhardware. Das Molekül wurde in 11 Fragmente zerlegt, wobei jedes Fragment auf 16 Qubits (4 HOMO/4 LUMO) abgebildet wurde.

4. Ergebnisse

• Genauigkeit:
  • Für kleine Moleküle erreichte SQD(LUCJ) mit ausreichender Stichprobengröße ($\epsilon_s = 10^8$) eine Genauigkeit im Bereich von Sub-Nanohartree gegenüber der exakten FCI-Lösung.
  • Auch bei reduzierter Stichprobengröße ($\epsilon_s = \sqrt{|S|}$) blieben die Ergebnisse innerhalb der chemischen Genauigkeit (1 kcal/mol $\approx$ 1,59 mHa).
  • Im 2D-PES-Scan für Wasser wurde die FCI-Oberfläche mit numerischer Präzision reproduziert.
• Vergleich der Ansätze:
  • LUCJ: Überlegene Leistung auf NISQ-Hardware. Robust, geringe Schaltungstiefe, funktioniert für alle getesteten Moleküle.
  • LCNot-UCCSD: Tiefere Schaltungen führten bei $H_2O$ und $NH_3$ zum Versagen der Konfigurations-Wiederherstellung (zu viel Rauschen). Bei kleineren Systemen ($H_2$, $LiH$, $BeH_2$) war die Genauigkeit jedoch vergleichbar, wenn der Unterraum vollständig abgedeckt wurde.
• DMET-Ergebnisse:
  • Für die ligandartigen Moleküle und Amantadin lagen die DMET-SQD-Energien im Mikro-Hartree-Bereich (noch genauer als chemische Genauigkeit) gegenüber DMET-CASCI (Referenz).
  • Die Methode war deutlich genauer als DMET-CCSD, was die Überlegenheit von SQD zur Erfassung von Korrelationseffekten in eingebetteten Systemen zeigt.
  • Die Konvergenz des DMET-Loops war schnell (meist 4–5 Iterationen), und eine Schusszahl von 1.000–10.000 war für 16-Qubit-Impuritäten ausreichend.

5. Bedeutung und Ausblick

Diese Arbeit etabliert IQM-Hardware als eine tragfähige Plattform für skalierbare Quantensimulations-Workflows. Die Kombination aus Sample-based Quantum Diagonalization (SQD), hardware-effizienten Ansätzen (LUCJ) und Einbettungsmethoden (DMET) beweist, dass chemisch genaue Ergebnisse für Systeme erzielt werden können, die für klassische exakte Methoden unzugänglich sind.

• Praktische Relevanz: Die erfolgreiche Simulation von Amantadin zeigt den Weg zu realen pharmazeutischen Anwendungen.
• Robustheit: Der SQD-Ansatz umgeht die Probleme der Variational Optimization (Barren Plateaus) und ist widerstandsfähig gegen Hardware-Rauschen, da die Energieberechnung klassisch und deterministisch im Unterraum erfolgt.
• Zukunft: Die Studie liefert eine quantitative Basis für zukünftige Hardware- und Algorithmenentwicklungen. Zukünftige Arbeiten sollten sich auf verbesserte Fehlermitigation bei der Konfigurations-Wiederherstellung, effizientere Unterraum-Generierung und die Erweiterung auf noch komplexere Systeme (Proteine, metallorganische Gerüste) konzentrieren.

Zusammenfassend demonstriert das Papier einen der bisher umfassendsten experimentellen Nachweise für chemisch genaue Quantensimulationen auf aktueller Hardware und markiert einen wichtigen Schritt hin zur Lösung klassisch unlösbarer molekularer Probleme.