⚛️ quantum physics

Bridging the NISQ and Fault-Tolerant Regimes: Generative-ML-Assisted Quantum Selected CI for Molecular Simulations

Diese Arbeit führt einen hybriden quanten-klassischen Workflow ein, der eine LCNot-UCCSD-Initialisierung und ein auf einer Restricted Boltzmann Machine basierendes generatives Modell (QSCI-RBM) kombiniert, um Bindungsenergien zwischen Proteinen und Liganden auf verrauschten Quantenhardware der NISQ-Ära effizient zu simulieren, wobei die Wirksamkeit an industrierelevanten Wirkstofftargets wie Amantadin und der SARS-CoV-2-Protease mit reduzierten Rechenressourcen nachgewiesen wird.

Ursprüngliche Autoren: Anurag K. S. V., Ashish Kumar Patra, Manas Mukherjee, Ruchika Bhat, Sai Shankar P., Rahul Maitra, Jaiganesh G

Veröffentlicht 2026-06-30

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Anurag K. S. V., Ashish Kumar Patra, Manas Mukherjee, Ruchika Bhat, Sai Shankar P., Rahul Maitra, Jaiganesh G

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Den perfekten Schlüssel in einem riesigen Tresor finden

Stellen Sie sich vor, Sie versuchen, den perfekten Schlüssel zu finden, um eine bestimmte Tür zu öffnen (ein Wirkstoffmolekül, das an ein Virusprotein bindet). In der Welt der Chemie ist dieser „Schlüssel“ die exakte Anordnung der Elektronen.

Das Problem: Die Suche nach dieser Anordnung ist wie die Suche nach einem einzigen spezifischen Sandkorn an einem Strand, der jede Sekunde größer wird. Klassische Computer (die, die wir heute nutzen) sind überfordert, weil die Anzahl der Möglichkeiten viel zu groß ist.
Das Versprechen von Quantencomputern: Quantencomputer sind wie magische Taschenlampen, die gleichzeitig auf viele Sandkörner leuchten können. Aktuelle Quantencomputer sind jedoch sehr „rauschbehaftet“ (wie eine Taschenlampe, die in einem Sturm flackert), was es schwierig macht, das richtige Sandkorn klar zu erkennen.
Das Ziel: Diese Arbeit präsentiert eine neue Methode, um diese Quantentaschenlampen effektiv zu nutzen, selbst wenn sie flackern, und bereitet sie auf eine Zukunft vor, in der sie vollkommen stabil leuchten werden.

Die drei Hauptzutaten

Die Forscher kombinierten drei leistungsstarke Werkzeuge, um dieses Problem zu lösen:

1. Der „Intelligente Bauplan“ (LCNot-UCCSD)

Betrachten Sie den Quantencomputer als eine Baustelle. Um die richtige Struktur (den Energiezustand des Moleküls) zu bauen, benötigen Sie einen Bauplan.

Der alte Weg: Die alten Baupläne waren wie ein massives, 10.000-seitiges Handbuch, das ewig lange zu schreiben dauerte (rechenintensiv).
Der neue Weg: Die Autoren verwendeten einen neuen Bauplan namens LCNot-UCCSD. Er ist wie eine „intelligente Zusammenfassung“, die das Handbuch auf nur 100 Seiten kürzt. Er nutzt eine Abkürzung basierend auf einer einfacheren Berechnung (MP2), um sofort 90 % des Weges zu erreichen, was eine enorme Menge an Zeit und Aufwand spart.

2. Die „Rauschbehaftete Taschenlampe“ vs. der „Perfekte Simulator“

Das Team testete ihre Methode auf dem Fujitsu FX700, einem extrem leistungsstarken Simulator.

Die Analogie: Stellen Sie sich vor, Sie versuchen, Klavier zu lernen. Sie könnten auf einem echten, kaputten Klavier mit klemmenden Tasten üben (aktuelle echte Quantencomputer), oder Sie könnten auf einem perfekten, digitalen Klavier üben, das genau simuliert, wie die Musik klingen sollte, ohne kaputte Tasten.
Warum sie das taten: Die Autoren wollten ihre Methode zuerst in einer „perfekten“ Umgebung testen, um zu sehen, wie sie funktionieren sollte, und fügten dann absichtlich „Rauschen“ (kaputte Tasten) zur Simulation hinzu, um zu sehen, ob ihre Methode immer noch die richtige Melodie finden kann. Sie testeten 14 verschiedene Stufen der „Kaputtheit“, von perfekt bis sehr chaotisch.

3. Der „Generative KI-Assistent“ (QSCI-RBM)

Dies ist die größte Innovation der Arbeit.

Die alte Methode (SQD): Wenn der Quantencomputer einen Fehler macht (ein „rauschbehaftetes“ Ergebnis), versucht die alte Methode, jeden einzelnen Fehler durch Raten und Überprüfen zu beheben. Es ist wie ein Bibliothekar, der versucht, ein unordentliches Bücherregal zu korrigieren, indem er jedes einzelne Buch, das heruntergefallen ist, manuell wieder einsortiert. Wenn die Bibliothek größer wird, dauert dies ewig.
Die neue Methode (QSCI-RBM): Die Autoren fügten eine Generative KI (eine Restricted Boltzmann Machine) hinzu. Anstatt jeden Fehler zu beheben, lernt die KI das Muster der korrekten Bücher.
- Die Analogie: Stellen Sie sich vor, die KI ist ein superintelligenter Bibliothekar, der auf die wenigen korrekten Bücher im Regal schaut, den „Vibe“ des richtigen Abschnitts lernt und dann neue, korrekte Bücher generiert, um die Lücken zu füllen. Sie versucht nicht, die unordentlichen Bücher zu reparieren; sie erstellt einfach eine kompakte, perfekte Liste der wichtigsten Bücher, die benötigt werden, um das Rätsel zu lösen.
- Das Ergebnis: Dies hält die Liste der Bücher (den „Subraum“) klein und handhabbar, selbst wenn die Bibliothek (das Molekül) riesig wird.

Was sie tatsächlich getan haben (Die Experimente)

Das Team hat nicht nur über Theorie gesprochen; sie haben massive Simulationen durchgeführt.

Der kleine Test: Sie begannen mit 8 einfachen Molekülen (wie Wasser und Methan), um zu beweisen, dass der neue „Intelligente Bauplan“ und der „KI-Assistent“ zusammenarbeiten.
- Ergebnis: Selbst als sie schweres „Rauschen“ zur Simulation hinzufügten, fand die KI-gestützte Methode jedes Mal die richtige Antwort, während die alte Methode scheiterte, sofern das Rauschen nicht gerade richtig dosiert war.
Der Streckentest: Sie simulierten ein Stickstoffmolekül, das auseinandergezogen wird (wie ein Gummiband, das gedehnt wird, bis es reißt). Dies ist ein sehr harter Test für Computer.
- Ergebnis: Die neue Methode blieb genau und stabil. Die alte Methode wurde verwirrt und brach zusammen, es sei denn, es wurde künstlich Rauschen hinzugefügt, um sie zum „Wackeln“ zu bringen, damit sie funktionierte.
Der Real-World-Test (Wirkstoffforschung): Dies ist der Höhepunkt. Sie wandten ihre Methode auf zwei reale Szenarien an:
- Amantadin: Ein Grippemittel.
- Mpro–Carmofur: Eine komplexe Interaktion zwischen dem SARS-CoV-2-Virus (der Hauptprotease) und dem Wirkstoff Carmofur.
- Die Herausforderung: Diese Moleküle sind zu groß, als dass ein Quantencomputer sie alle auf einmal verarbeiten könnte. Daher verwendeten sie eine Technik namens DMET (Density Matrix Embedding Theory).
- Die Analogie: Stellen Sie sich vor, Sie versuchen, ein riesiges Jigsaw-Puzzle einer ganzen Stadt zu lösen. Anstatt die ganze Stadt zu betrachten, teilen Sie sie in 10 oder lementar 11 Stadtteile (Fragmente) auf. Sie lösen jeden Stadtteil separat und fügen sie dann zusammen.
- Die Skala: Sie simulierten diese „Stadtteile“ unter Verwendung von bis zu 176 Qubits (das Äquivalent eines massiven Quantencomputers) in einem einzigen Framework.
- Das Ergebnis: Ihre neue Methode (LCNot-UCCSD + KI) konnte die Energie dieser Wirkstoff-Zielstruktur-Interaktionen mit hoher Genauigkeit berechnen und nutzte dabei weit weniger Rechenressourcen als bisherige Methoden.

Warum das wichtig ist (Laut der Arbeit)

Effizienz: Die neue Methode ist wie der Wechsel von einer Pferdekutsche zu einem Hochgeschwindigkeitszug. Sie reduziert die Zeit, die benötigt wird, um den „Bauplan“ des Quantencomputers vorzubereiten, um eine enorme Größenordnung (von $O(N^6)$ auf $O(N^4)$ ).
Skalierbarkeit: Der „KI-Assistent“ (RBM) ist der Schlüssel zur Skalierung. Wenn Moleküle größer werden, muss die alte Methode fast alles betrachten (100 % der Möglichkeiten). Die neue Methode muss nur eine kleine, intelligente Teilmenge betrachten (25–30 %), was es möglich macht, in Zukunft viel größere Wirkstoffmoleküle zu simulieren.
Zukunftssicherheit: Obwohl aktuelle Quantencomputer verrauscht sind, funktioniert diese Methode perfekt in einer „rauschfreien“ Simulation (die zukünftige, perfekte Quantencomputer repräsentiert) und sie kann gut mit Rauschen umgehen. Sie schlägt die Brücke zwischen den heutigen unordentlichen Maschinen und den perfekten Maschinen von morgen.

Zusammenfassung in einem Satz

Die Autoren entwickelten eine neue, effiziente Methode, um Quantencomputer zur Simulation der Bindung von Wirkstoffen an Viren einzusetzen, indem sie einen intelligenteren mathematischen Bauplan mit einer generativen KI kombinierten, die die Berechnungen klein und präzise hält, und testeten dies erfolgreich an komplexen realen Wirkstoffzielen wie der SARS-CoV-2-Protease.

Technisches Resümee: Überbrückung der NISQ- und fehlertoleranten Regime via Generative-ML-gestützter QSCI

1. Problemstellung

Die genaue Berechnung von Bindungsenergien für Protein-Ligand-Systeme ist ein kritischer Engpass in der Wirkstoffforschung. Klassische Methoden stehen vor einem fundamentalen Kompromiss: Die hochgenaue Coupled-Cluster-Theorie (CCSD(T)) skaliert als $O(N_{orb}^7)$ und wird für große Systeme unpraktikabel, während die Full Configuration Interaction (FCI) exponentiell skaliert. Im Gegensatz dazu ist die Dichtefunktionaltheorie (DFT) zwar handhabbar, scheitert jedoch oft daran, die spezifischen elektronischen Strukturphänomene zu erfassen, die Protein-Ligand-Interaktionen steuern.

Das Quantencomputing bietet einen Weg zu einer Genauigkeit auf FCI-Niveau mit polynomieller Skalierung, doch aktuelle Noisy Intermediate-Scale Quantum (NISQ)-Hardware mangelt es an der Kohärenztiefe, die für tiefe Schaltkreise erforderlich ist. Zudem leiden bestehende sampling-basierte Quantenalgorithmen wie Quantum-Selected Configuration Interaction (QSCI) und Sample-based Quantum Diagonalization (SQD) unter strukturellen Ineffizienzen:

QSCI stützt sich auf Post-Selektion, wodurch symmetrieverletzende Samples verworfen werden, was in Niedrigrausch-Regimen zu einem spärlichen Subraum und schlechter Konvergenz führt.
SQD nutzt stochastische Konfigurationsrekonstruktion (CR), um ungültige Samples zu reparieren, was jedoch oft die Sättigung des gesamten symmetriebeschränkten Hilbertraums erfordert, um chemische Genauigkeit zu erreichen, was wiederum prohibitive klassische Diagonalisierungskosten zur Folge hat.
Ansatz-Initialisierung: Konkurrierende Ansätze wie Local Unitary Cluster Jastrow (LUCJ) erfordern eine $O(N^6)$ CCSD-Initialisierung, was für große aktive Räume rechenintensiv ist.

2. Methodik

Diese Arbeit schlägt einen hybriden quanten-klassischen Workflow vor, der auf dem Fujitsu FX700 Ideal State-Vector Simulator unter Verwendung des Quantum Application Research Package (QARP) ausgeführt wird. Die Methodik integriert drei Kerninnovationen:

A. Der LCNot-UCCSD-Ansatz

Die Autoren verwenden den Linear Scaling CNOT Unitary Coupled Cluster Singles and Doubles (LCNot-UCCSD) Ansatz. Im Gegensatz zu Standard-UCCSD-Implementierungen, die als $O(N^5)$ in der CNOT-Anzahl skalieren, nutzt LCNot-UCCSD Qubit-Excitation-basierte (QEB) Operatoren, um als $O(N^4)$ zu skalieren.

Initialisierung: Die Parameter werden mittels MP2-Amplituden ( $O(N^4)$ ) anstatt CCSD-Amplituden ( $O(N^6)$ ) initialisiert, was die klassische Vorverarbeitungszeit signifikant reduziert.
Hardware-Agnostik: Der Schaltkreis verwendet dreifach gesteuerte $R_y$ -Gates ( $CCCR_y$ ) für Doppel-Anregungen. Auf dem FX700 werden diese nativ als Multi-Qubit-Unitaries ohne Dekomposition simuliert, wodurch die durch Transpilierung verursachte Tiefeninflation vermieden wird.

B. QSCI-RBM: Generative Subraum-Expansion

Die Arbeit führt QSCI-RBM ein, eine Variante, die die stochastische Konfigurationsrekonstruktion von SQD durch eine Restricted Boltzmann Machine (RBM) ersetzt.

Workflow: Der Quantenschaltkreis generiert Bitstrings. Gültige Samples (die Teilchenzahl $N$ und Spin $S_z$ erhalten) werden post-selektiert. Eine RBM wird auf diesen gültigen Samples trainiert, um die Wahrscheinlichkeitsverteilung dominanter Determinanten zu erlernen.
Iterative Expansion: Die trainierte RBM führt Gibbs-Sampling durch, um neue, symmetrie-gültige Konfigurationen zu generieren. Diese werden in den Subraum $S_{sub}$ integriert, der anschließend klassisch mittels eines Davidson-Solvers diagonalisiert wird.
Vorteil: Im Gegensatz zu SQD, das den Hilbertraum durch Einzel-Orbital-Flips aufbläht (was oft zur Sättigung des Hilbertraums führt), konzentriert die RBM das Sampling auf den hochwahrscheinlichen Support der Wellenfunktion, wodurch ein kompakter Subraum erhalten bleibt.

C. Density Matrix Embedding Theory (DMET)

Um große molekulare Systeme zu adressieren, wird der Workflow in DMET eingebettet. Das System wird in Unreinheiten (z. B. 10 Fragmente für den SARS-CoV-2-Protease-Komplex, 11 für Amantadin) fragmentiert. Jede Unreinheit wird unabhängig mit dem Quantenlöser mit einem 4 HOMO–4 LUMO aktiven Raum (maximal 16 Qubits pro Fragment) gelöst, während die Umgebung klassisch behandelt wird.

D. Kontrollierte Fehleranalyse

Um die Lücke zwischen NISQ- und fehlertoleranten Regimen zu schließen, führen die Autoren einen Sweep über 14 Ebenen kontrollierter künstlicher Fehler ( $\sigma$ ) durch. Eine zufällige Rotation $R_y(\theta_i)$ wird vor der Messung angewendet, wobei $\theta_i \sim N(0, \sigma^2)$ . Dies ermöglicht die Evaluierung der algorithmischen Robustheit vom idealen fehlertoleranten Limit ( $\sigma=0$ ) bis hin zu verrauschten NISQ-Bedingungen.

3. Kernergebnisse

A. Acht-Molekül-STO-3G-Benchmark

Evaluierung auf acht Molekülen (H2 bis N2) über 14 Fehlerebenen:

SQD-Performance: Bei $\sigma=0$ (ideal) erreicht SQD die chemische Genauigkeit für größere Moleküle nicht (Fehler bis zu 270 mHa), da der post-selektierte Subraum zu spärlich ist. Es erreicht chemische Genauigkeit erst bei mittleren bis hohen Rauschpegeln ( $\sigma \ge 0.2$ bis $2.0$), wo es 72–100% des vollen Hilbertraum-Dimensionsmaßes $|S|$ benötigt.
QSCI-RBM-Performance: Erreicht chemische Genauigkeit ( $\le 1.59$ mHa) über alle 14 Fehlerebenen für alle Moleküle, einschließlich des idealen $\sigma=0$ Falls.
Subraum-Kompaktheit: Bei $\sigma=0$ erreicht QSCI-RBM chemische Genauigkeit unter Verwendung von nur 25–27% des Hilbertraums für CO und N2, verglichen mit der Anforderung von SQD von ca. 97–100%. Dies entspricht einer Reduktion der klassischen Diagonalisierungskosten um 73–74%.

B. N2-Potenzialenergieflächen-Scan (PES Scan)

In der cc-pVDZ-Basis mit einem (4,4) aktiven Raum:

Robustheit: SQD zeigt Instabilitäten und Divergenzen nahe des Gleichgewichts sowie während der Dissoziation bei niedrigem Rauschen, was eine künstliche Rauscheinführung ( $\sigma=2.0$ ) zur Regularisierung der Lösung erfordert.
QSCI-RBM: Verfolgt erfolgreich die CASCI-Referenzenergie über die gesamte PES bei $\sigma=0$ und behält die chemische Genauigkeit bei.
Adaptive Skalierung: Die RBM passt die Subraum-Abdeckung dynamisch basierend auf dem Multireferenz-Charakter an (von ~31% bei komprimierten Geometrien bis zu ~100% bei Dissoziation), während SQD eine starre, nahezu vollständige Abdeckung erzwingt.

C. Wirkstoff-Target-Anwendungen (DMET)

Der Workflow wurde auf Amantadin (11 Fragmente) und den SARS-CoV-2 Main Protease (Mpro)–Carmofur-Komplex (10 Fragmente) über STO-3G, 6-31G und cc-pVDZ Basissätze angewendet.

Amantadin: QSCI-RBM erreichte chemische Genauigkeit bei $\sigma=0$ und $\sigma=0.01$ über alle Basissätze mit Subraum-Abdeckungen ( $\eta_{sub}$ ) von 0.17–0.29. SQD benötigte höheres Rauschen ( $\sigma \ge 1.0$ ) und größere Subräume ( $\eta_{sub} \approx 0.58–0.89$ ), um zu konvergieren.
Mpro–Carmofur: Dies stellt die erste Quantensimulation dieses Komplexes innerhalb eines DMET-QSCI-Frameworks dar. QSCI-RBM erreichte chemische Genauigkeit für den aktiven Bereich bei $\sigma=0$ (STO-3G) und $\sigma=1.0$ (6-31G/cc-pVDZ).
Skalierbarkeit: Die effektive Skala erreichte ~160–176 Qubits für die aktiven Regionen (10–11 Fragmente). QSCI-RBM benötigte konsistent 8–17% weniger Subraum-Abdeckung als SQD an den optimalen Betriebspunkten, was eine signifikante Einsparung der Ressourcen für die klassische Diagonalisierung bedeutet.

4. Bedeutung und Ansprüche

Die Autoren behaupten, dass diese Arbeit mehrere "Erste" und kritische Fortschritte darstellt:

Erster Einsatz: Dies ist der erste Einsatz des LCNot-UCCSD Ansatzes innerhalb eines QSCI-Workflows auf einem Quantensimulator sowie die erste Anwendung von DMET-QSCI(LCNot-UCCSD)-RBM auf ein industrie-relevantes Protein-Ligand-System (Mpro–Carmofur).
Brückenbildung der Regime: Die Studie demonstriert ein vereinheitlichtes Framework, das effektiv vom aktuellen verrauschten Regime bis hin zum zukünftigen fehlertoleranten Limit funktioniert. Entscheidend ist, dass QSCI-RBM im fehlertoleranten (niedrig-rausch) Regime exzellent abschneidet, in dem SQD aufgrund der Subraum-Spärlichkeit versagt, während SQD nur in Hochrausch-Regimen robust ist, wo es rechenintensiv wird.
Effizienz: Durch die Ersetzung der $O(N^6)$ CCSD-Initialisierung durch eine $O(N^4)$ MP2-Initialisierung und die Nutzung der RBM zur Komprimierung des Diagonalisierungssubraums um 36–74%, bietet der Ansatz einen ökonomischeren Weg zu korrelierten elektronischen Strukturkalkulationen für die Wirkstoffforschung.
Hardware-Relevanz: Die Arbeit validiert, dass der LCNot-UCCSD Ansatz mit seiner nativen Multi-Qubit-Gate-Struktur gut für zukünftige Neutral-Atom (Rydberg) Hardware geeignet ist, vorausgesetzt, die Gate-Fehlerraten verbessern sich.

Das Paper schließt mit der Feststellung, dass dieser hybride Workflow unter Nutzung eines Bruchteils der klassischen Ressourcen, die von führenden Institutionen wie Cleveland Clinic, RIKEN und IBM benötigt werden, effizientere und skalierbare Simulationen für die Wirkstoffforschung ermöglicht.