Protein folding on a 64 qubit trapped-ion hardware via counterdiabatic quantum optimization

Dieser Artikel berichtet über die bisher größte Demonstration der Gitter-Proteinfaltungs-Optimierung mit gefangenen Ionen, die eine Methode der bias-feld-digitalisierten counterdiabatischen Quantenoptimierung (BF-DCQO) auf einem 64-Qubit-Bariumsystem nutzt, um erfolgreich strukturierte, energiearme Proben für komplexe Peptidsequenzen zu erzeugen, die mit klassischen Referenzenergien übereinstimmen.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, ein langes, verwickeltes Stück Schnur in die perfekte Form zu falten, damit es eine bestimmte geheime Nachricht enthält. In der realen Welt ist das genau das, was Proteine tun: Sie sind Ketten aus Aminosäuren, die sich zu komplexen 3D-Formen winden und drehen, um lebenswichtige Aufgaben in unserem Körper zu erfüllen. Die Suche nach der „perfekten" Form (derjenigen mit der niedrigsten Energie) ist wie der Versuch, ein riesiges, mehrdimensionales Puzzle zu lösen, bei dem die Anzahl der möglichen falschen Antworten größer ist als die Anzahl der Sterne im Universum.

Dieser Artikel beschreibt ein neues Experiment, bei dem Wissenschaftler einen leistungsstarken Quantencomputer (genauer gesagt eine gefangene-Ionen-Maschine mit 64 „Qubits" oder Quantenbits) einsetzten, um dieses Faltungs-Puzzle für sechs verschiedene Proteinketten zu lösen.

Hier ist eine Aufschlüsselung dessen, was sie taten, wie sie es taten und was sie herausfanden, unter Verwendung einfacher Analogien.

1. Das Problem: Ein verwickelter Knoten

Stellen Sie sich eine Proteinkette als eine Kette aus Perlen vor. Jede Perle kann sich in verschiedene Richtungen drehen. Das Ziel ist es, die spezifische Abfolge von Drehungen zu finden, die die Perlen auf die effizienteste Weise zusammenklumpen lässt, wobei sichergestellt wird, dass die Schnur sich nicht selbst kreuzt (was physikalisch unmöglich wäre).

• Die Herausforderung: Wenn Sie einfach zufällig raten, erhalten Sie vielleicht eine Form, aber es wird höchstwahrscheinlich ein verworrener Knoten mit hoher Energie (instabil) sein.
• Der Umfang: Die Forscher testeten Proteine mit 14 bis 16 Perlen. Obwohl dies klein klingt, ist die dahinterstehende Mathematik unglaublich komplex und erfordert bis zu 61 Quantenbits zur Darstellung. Dies ist das größte Protein-Faltungs-Experiment, das jemals auf einem gefangenen-Ionen-Quantencomputer durchgeführt wurde.

2. Die Methode: Der „magnetische Kompass" (BF-DCQO)

Anstatt einfach zufällig zu raten, verwendete das Team einen speziellen Algorithmus namens Bias-Field Digitized Counterdiabatic Quantum Optimization (BF-DCQO).

• Die Analogie: Stellen Sie sich vor, Sie versuchen, den tiefsten Punkt in einem nebligen Tal zu finden.
  • Zufällige Stichproben: Sie beginnen einfach, in zufällige Richtungen zu laufen. Sie könnten auf eine niedrige Stelle stoßen, aber Sie werden meistens ziellos umherwandern.
  • BF-DCQO: Dies ist wie ein Kompass, der bei jedem Schritt, den Sie tun, schlauer wird.
    1. Der Computer macht einen „Schnappschuss" der besten Formen, die er bisher gefunden hat.
    2. Er analysiert diese Schnappschüsse und sagt: „Hey, bei diesen guten Formen zeigte diese spezifische Perle normalerweise nach Norden."
    3. Er erstellt dann einen „magnetischen Bias" (eine sanfte Stütze), der die nächste Runde von Experimenten dazu bringt, nach Norden zu zeigen.
    4. Dieser Vorgang wird wiederholt, wobei sich mit jeder Runde der Fokus auf die richtige Richtung verstärkt.

3. Die Hardware: Das „allverbundene" Team

Das Experiment lief auf einem 64-Qubit-Barium-Ionensystem (ähnlich der kommenden IonQ-Tempo-Serie).

• Warum das wichtig ist: Bei vielen Computern sind Bits wie Menschen, die in einer Reihe sitzen; um mit der Person am anderen Ende zu sprechen, müssen sie eine Nachricht die Reihe entlang weitergeben (langsam und unordentlich). In diesem gefangenen-Ionen-System ist jedes Qubit mit jedem anderen Qubit verbunden, wie eine Gruppe von Menschen, die in einem Kreis stehen, wo jeder sofort mit jedem anderen sprechen kann. Dies ist perfekt für die Proteinfaltung, da die Perlen in einem Protein miteinander interagieren, auch aus großer Entfernung, und nicht nur mit ihren unmittelbaren Nachbarn.

4. Die Ergebnisse: Das Muster lernen

Die Forscher stellten fest, dass der Quantencomputer nicht nur Glück hatte; er lernte tatsächlich die Struktur des Problems.

• Rohdaten: Als sie sich die rohen Formen ansahen, die der Quantencomputer erzeugte, waren diese immer noch unordentlich (hauptsächlich, weil der Computer die Regel, dass sich die Schnur nicht selbst kreuzen darf, nicht strikt durchsetzte). Dennoch war die „Energie" dieser unordentlichen Formen deutlich niedriger als bei zufälligen Vermutungen.
• Das „Kontakt"-Geheimnis: Der Quantencomputer war besonders gut darin herauszufinden, welche Perlen sich berühren sollten (die „Kontakt"-Variablen). Er lernte ein Muster: „Wenn sich die Schnur so faltet, müssen diese beiden Perlen sich berühren."

5. Die Korrektur: Die „Konsens"-Pipeline

Da der Quantencomputer einige „illegale" Formen erzeugte (bei denen sich die Schnur selbst kreuzte), benötigte das Team eine Möglichkeit, diese zu beheben, ohne die guten Muster zu verlieren, die der Computer gefunden hatte. Sie versuchten zwei Methoden:

• Methode A (Die „Einzel-Reparatur"): Sie nahmen eine Form nach der anderen, korrigierten die illegalen Kreuzungen und berechneten dann die Kontakte von Grund auf neu.
  • Ergebnis: Dies löschte die guten Muster, die der Quantencomputer gelernt hatte. Es war wie das Nehmen einer großartigen Skizze und das Neuzeichnen aus dem Gedächtnis, wobei der ursprüngliche Stil des Künstlers verloren ging.
• Methode B (Die „Konsens"-Pipeline): Sie betrachteten alle guten Formen, die der Computer gefunden hatte, fragten: „Worüber waren die meisten dieser Formen einig?" und nutzten diese Einigung, um eine endgültige, legale Form zu erstellen.
  • Ergebnis: Dies funktionierte viel besser. Indem sie die „Gruppenabstimmung" des Quantencomputers beibehielten, bewahrten sie die gelernten Muster.

Das Ergebnis:
Unter Verwendung der „Konsens"-Methode gelang es dem Team, den exakten, mathematisch perfekten Energiezustand für 4 von den 6 Proteinketten zu finden, die sie testeten. Als sie stattdessen zufällige Vermutungen anstelle der Hinweise des Quantencomputers verwendeten, hatten sie nur bei 1 von 6 Erfolg.

Zusammenfassung

Dieser Artikel beweist, dass ein 64-Qubit-Quantencomputer als intelligenter Führer zur Lösung komplexer Protein-Faltungs-Puzzles dienen kann. Er löst das gesamte Puzzle nicht perfekt allein (aufgrund von Hardware-Rauschen und Einschränkungen), aber er lernt die „Regeln des Engagements" (welche Perlen sich berühren sollten) sehr gut. Wenn Sie dieses Quantenlernen mit einer intelligenten, vom Menschen erstellten „Konsens"-Korrektur kombinieren, erhalten Sie Ergebnisse, die deutlich besser sind als zufälliges Raten.

Die Kernaussage: Der Quantencomputer lieferte die „Struktur" (das Muster der Wechselwirkungen), und der klassische Computer lieferte die „Durchführbarkeit" (die Sicherstellung, dass die Form physikalisch möglich ist). Zusammen lösten sie ein schwierigeres Problem als jeder von ihnen allein.

Technische Zusammenfassung

1. Problemstellung

Das Papier adressiert das Protein-Faltungsproblem, spezifisch die Vorhersage der 3D-Struktur eines Proteins aus seiner Aminosäuresequenz. Dies ist ein NP-schweres kombinatorisches Optimierungsproblem, bei dem der Konfigurationsraum mit der Kettenlänge exponentiell wächst.

• Modell: Die Autoren verwenden ein grobkörniges tetraedrisches Gittermodell. In diesem Modell werden Aminosäurereste als Perlen auf einem tetraedrischen Gitter dargestellt. Der Rückgrat wird als selbstvermeidender Weg codiert, und Wechselwirkungen werden durch das Miyazawa–Jernigan-Potenzial definiert.
• Hamiltonian-Formulierung: Das Problem wird auf einen Ising-Hamiltonian abgebildet ($H = H_{back} + H_{contact}$):
  • $H_{back}$: Erzwingt geometrische Einschränkungen (verhindert Rückwärtsbewegungen und Überlappungen).
  • $H_{contact}$: Kodiert paarweise Wechselwirkungen zwischen Resten, die in der Sequenz um $\geq 5$ Positionen getrennt, aber im 3D-Raum nahe beieinander liegen.
• Herausforderung: Die resultierenden Hamiltoniane sind hochordentliche Spin-Glas-Probleme mit langreichweitigen Wechselwirkungen (bis zu Fünf-Körper-Termen) und dichter Konnektivität. Ihre Lösung erfordert die Einhaltung strenger geometrischer Einschränkungen bei gleichzeitiger Optimierung dichter Kontaktwechselwirkungen, eine Aufgabe, die für kurzfristige Quantenhardware aufgrund von Rauschen und dem „infeasible sample"-Problem (bei dem die meisten Quantenausgaben geometrische Einschränkungen verletzen) schwierig ist.

2. Methodik

Die Studie setzt Bias-Field Digitized Counterdiabatic Quantum Optimization (BF-DCQO) auf einem 64-Qubit-gefangenen-Ionen-Prozessor ein.

A. Hardware-Plattform

• System: Ein 64-Qubit-Barium-Entwicklungssystem (ähnlich der kommenden IonQ Tempo-Serie).
• Vorteile: Die Plattform verfügt über all-to-all-Konnektivität, wodurch SWAP-Gatter zur Implementierung der für das Protein-Faltungsmodell erforderlichen dichten Ising-Kopplungen überflüssig werden. Dies reduziert die Schaltungstiefe und den Overhead im Vergleich zu Architekturen mit nächsten Nachbarn (z. B. supraleitende Qubits) erheblich.

B. Algorithmus: BF-DCQO

Der Algorithmus kombiniert Counterdiabatic (CD)-Antrieb mit einem iterativen Bias-Feld-Aktualisierungsmechanismus:

1. Counterdiabatic-Antrieb: Anstelle einer langsamen adiabatischen Evolution nutzt der Algorithmus eine Kurzzeit-Evolution, die von einem approximativen counterdiabatischen Term dominiert wird ($A_\lambda \approx i\alpha_1 [H_i, H_f]$). Dies unterdrückt diabatische Übergänge und ermöglicht flache Schaltungen.
2. Digitalisierung: Die Evolution wird durch Trotterisierung digitalisiert. Pauli-Terme mit kleinen Koeffizienten werden entfernt, um die Schaltungstiefe zu verringern.
3. Bias-Feld-Aktualisierungen (Iterative Verfeinerung):
   • Der initiale Hamiltonian enthält longitudinale Bias-Felder ($h_j Z_j$).
   • In jeder Runde $r$ wird das System entwickelt, und niedrigenergetische Proben ($S_l$) werden gemessen.
   • Die Bias-Felder werden basierend auf den Erwartungswerten der niedrigenergetischen Proben aktualisiert: $h^{(r+1)}_j = -K_s \langle \sigma^z_j \rangle_{S_l}$.
   • Dieser Mechanismus lenkt den Anfangszustand schrittweise in Bereiche des Hilbert-Raums, die gute Lösungen enthalten, ohne eine Optimierung variationaler Parameter zu erfordern.

C. Heuristiken zur Nachbearbeitung

Da rohe Quantenproben oft geometrische Einschränkungen verletzen (selbstvermeidender Weg), wurden zwei klassische Nachbearbeitungspipelines getestet:

1. Konsensus-Pipeline (Vorgeschlagen): Fasst Informationen aus vielen Quantenproben zusammen. Sie berechnet die Erwartungswerte der Kontakt-Qubits über die Top-$k$-Proben hinweg, um eine „Konsensus"-Kontakt-Bitstring zu erstellen. Diese Konsensus wird dann mit einem Pool zulässiger Rückgratgeometrien kombiniert, um die optimale gültige Struktur zu finden.
2. Probenindividuelle Reparatur: Behandelt jede Probe unabhängig. Sie filtert auf geometrische Zulässigkeit und optimiert dann die Kontakt-Qubits für jede Probe von Grund auf neu durch erschöpfende Enumeration.

3. Hauptbeiträge

1. Skalenrekord: Dies ist die größte Demonstration von Protein-Faltung auf gefangenen-Ionen-Hardware bis heute, bei der 61 Qubits (von 64 verfügbaren) zur Codierung von Peptidsequenzen von 14–16 Aminosäuren verwendet wurden. Dies übertrifft frühere Grenzen (z. B. 33 Qubits für 12 Aminosäuren).
2. Algorithmische Anwendung: Erste Anwendung von BF-DCQO auf Protein-Faltung in diesem Maßstab, die ihre Fähigkeit demonstriert, hochordentliche, dicht wechselwirkende Hamiltoniane zu handhaben.
3. Einblick in die Nachbearbeitung: Das Papier identifiziert, dass naive Nachbearbeitung Quantenvorteile auslöschen kann. Die Methode „Per-Sample Repair" überschreibt die vom Quantenalgorithmus erlernten Kontaktmuster, während die „Konsensus-Pipeline" die vom Quantenprozessor erzeugte strukturierte statistische Information bewahrt.
4. Hardware-Validierung: Demonstriert die Wirksamkeit von all-to-all-vernetzter gefangenen-Ionen-Hardware für dichte Optimierungsprobleme und vermeidet SWAP-Overhead.

4. Ergebnisse

Die Studie testete sechs Peptidsequenzen (im Bereich von 46 bis 61 Qubits).

• Roh-Energieverteilungen: BF-DCQO erzeugte Proben mit mittleren Energien, die 2,9$\times$ niedriger waren als bei gleichmäßiger zufälliger Stichprobennahme. Die Verteilung war konsistent zu niedrigeren Energien verschoben, was darauf hindeutet, dass der Algorithmus trotz Hardware-Rauschen erfolgreich Wechselwirkungsstrukturen gelernt hat.
• Polarisation der Kontakt-Qubits: Der Algorithmus zeigte eine starke Polarisation bei Kontakt-Qubits (Werte nahe 0 oder 1), während zufällige Stichproben nahe 0,5 blieben. Dies bestätigt, dass der Algorithmus sinnvolle Wechselwirkungsmuster gelernt hat.
• Leistung der Nachbearbeitung:
  • Konsensus-Pipeline: Wenn mit BF-DCQO-Proben initialisiert, erreichte die Pipeline in 4 von 6 Fällen die exakte klassische Referenzenergie. Im Gegensatz dazu erreichte eine zufällig initialisierte Konsensus nur in 1 von 6 Fällen die Referenz.
  • Probenindividuelle Reparatur: Diese Methode konnte den Quantenvorteil nicht bewahren. Durch die Neuoptimierung der Kontakte für jede Probe von Grund auf wurde die „quanten-gelernte" Struktur ausgelöscht, was zu einer Leistung führte, die mit zufälligen Samen vergleichbar war.
• Skalierbarkeitsgrenzen: Bei 61 Qubits (16 Aminosäuren) verringerte sich der Vorteil leicht, da der Pruning-Schwellenwert ($\theta$) aggressiv gesetzt werden musste, um die Gatteranzahl handhabbar zu halten (~1.000 verschränkende Gatter), was die Ergebnisqualität beeinträchtigte.

5. Bedeutung und Fazit

• Validierung hybrider Workflows: Das Papier etabliert einen praktikablen Workflow für kurzfristiges Quantencomputing: Der Quantenprozessor fungiert als strukturierter Sampler, der günstige Wechselwirkungsmuster (Kontakt-Qubits) identifiziert, während klassische Heuristiken geometrische Einschränkungen erzwingen und die finale Struktur zusammenstellen.
• Strategische Erkenntnis: Es wird hervorgehoben, dass der Wert von Quantenhardware bei eingeschränkten Problemen wie der Protein-Faltung nicht in der Generierung einer einzelnen perfekten Lösung liegt, sondern in der Bereitstellung strukturierter statistischer Information (Biases), die klassische Löser leitet.
• Zukünftige Richtungen: Die Autoren schlagen vor, dass zukünftige Arbeiten sich auf einschränkungserhaltende Treiber konzentrieren sollten, um die Generierung ungültiger Rückgrate zu reduzieren, und auf getrennte Bias-Feld-Behandlungen für Geometrie- versus Kontakt-Qubits, um ihre unterschiedlichen Rollen besser widerzuspiegeln.

Zusammenfassend stellt diese Arbeit einen bedeutenden Meilenstein in der quantencomputergestützten Biologie dar und beweist, dass counterdiabatische Optimierung auf großskaliger gefangenen-Ionen-Hardware zufällige Stichproben übertreffen und, in Kombination mit der richtigen klassischen Nachbearbeitung, komplexe Protein-Faltungsinstanzen lösen kann, die zuvor unerreichbar waren.