Scientific applications of quantum computing: challenges and opportunities

Seit Jahrhunderten wird die Geschichte des menschlichen Fortschritts durch die Materialien geschrieben, die wir erschaffen. Von den Pigmenten, die unsere früheste Kunst färbten, bis hin zu den Katalysatoren, die unsere moderne Industrie antreiben – unsere Fähigkeit, die Welt zu gestalten, beruhte auf einem Zyklus aus Versuch und Irrtum, gefolgt von Theorie und schließlich Vorhersage. Heute nutzen Wissenschaftler leistungsstarke Computer, um zu simulieren, wie sich Atome verhalten, was es ihnen ermöglicht, neue Medikamente, stärkere Metalle und effizientere Batterien zu entwerfen, noch bevor sie jemals eine Chemikalie in einem Labor mischen. Diese Simulationen funktionieren durch das Lösen der Gleichungen, die bestimmen, wie Elektronen sich bewegen und interagieren. Es gibt jedoch eine hartnäckige Grenze für die Fähigkeit klassischer Computer, die Zukunft vorherzusagen. Wenn Atome komplexe Bindungen eingehen oder sich in angeregten, hochenergetischen Zuständen befinden, wird die Mathematik so verschlungen, dass selbst die fortschrittlichsten Supercomputer auf Näherungen angewiesen sind. Diese Abkürzungen funktionieren gut bei einfachen Fällen, führen aber oft zum Scheitern, wenn Präzision am dringendsten benötigt wird, was Wissenschaftler darüber im Unklaren lässt, wie stabil ein neues Material ist oder wie schnell eine chemische Reaktion abläuft.

Eine Gruppe von Forschern aus Universitäten und Laboren in ganz Großbritannien hat sich zusammengefunden, um eine kritische Frage zu stellen: Kann eine neue Art von Computer, der die seltsamen Gesetze der Quantenmechanik nutzt, um Probleme zu lösen, diese Barriere endlich durchbrechen? Ihre Antwort ist eine sorgfältige, fundierte Bewertung dessen, wo diese Technologie heute steht und wohin sie führen könnte. Sie argumentieren, dass das Versprechen des Quantencomputings zwar real ist, er aber nicht einfach die klassischen Computer ersetzen wird, die wir jetzt verwenden. Stattdessen besteht der wertvollste Weg nach vorn in einer Partnerschaft. In diesem neuen Arbeitsablauf würden Quantencomputer als hochspezialisierte Werkzeuge fungieren, die nur dann einspringen, wenn sie die spezifischen, schwierigsten Teile eines Problems lösen müssen, die klassische Maschinen nicht bewältigen können, während der Rest der Arbeit bei etablierten Methoden verbleibt.

Die Forscher beginnen damit, den aktuellen Stand des Feldes anzuerkennen. Wir sind noch nicht an einem Punkt, an dem ein Quantencomputer ein vollständiges chemisches Problem im Alleingang lösen kann. Die heute verfügbaren Geräte sind noch „verrauscht“, was bedeutet, dass sie anfällig für Fehler sind und nur eine geringe Menge an Informationen gleichzeitig speichern können. Aus diesem Grund schlägt das Team vor, dass die unmittelbare Zukunft in „hybriden“ Ansätzen liegt. Stellen Sie sich ein komplexes chemisches System vor, wie etwa ein Enzym in einer lebenden Zelle oder einen Katalysator in einer Fabrik. Der schwierigste Teil der Simulation dieses Systems ist oft nur eine winzige, aktive Region, in der Bindungen aufgebrochen werden und sich neu bilden. Die Autoren schlagen vor, einen Quantencomputer zu verwenden, um das Verhalten dieser kleinen, kritischen Zone mit extremer Präzision zu berechnen, während ein klassischer Computer den Rest des massiven Systems handhabt. Diese Methode, bekannt als Embedding (Einbettung), ermöglicht es Wissenschaftlern, die benötigte hohe Genauigkeit zu erzielen, ohne dass eine Quantenmaschine groß genug sein muss, um die gesamte Welt auf einmal zu simulieren.

Die Arbeit unterscheidet sorgfältig zwischen verschiedenen Arten von Problemen und den verschiedenen Stadien der Quantentechnologie, die zur Lösung dieser Probleme erforderlich sind. Für Aufgaben wie die Vorhersage der Energie eines Moleküls oder der Farbe eines Materials werden die genauesten Methoden wahrscheinlich „fehlertolerante“ Quantencomputer erfordern. Dies sind Maschinen, die ihre eigenen Fehler korrigieren können – eine Technologie, die sich noch in einer frühen experimentellen Phase befindet und noch nicht weit verbreitet ist. Die Autoren schlagen jedoch vor, dass wir nicht auf diese perfekten Maschinen warten müssen, um mit nützlicher Arbeit zu beginnen. Für bestimmte Arten von Herausforderungen, wie etwa die Suche in Millionen von möglichen Anordnungen von Atomen, um die stabilste Struktur zu finden, könnten heutige Geräte bereits einen Vorteil bieten. Diese Probleme gleichen der Suche nach einer bestimmten Nadel in einem riesigen Heuhaufen; Quantenalgorithmen können viele Möglichkeiten gleichzeitig explorieren und potenziell die beste Lösung schneller finden, als es ein klassischer Computer könnte.

Die Forscher konzentrieren sich besonders auf die praktischen Realitäten der Integration dieser Maschinen in die reale wissenschaftliche Arbeit. Sie warnen vor dem Hype, der oft mit neuen Technologien einhergeht. Eine Quantenberechnung ist nur dann wertvoll, wenn sie ein Ergebnis liefert, das genauer oder zuverlässiger ist, als was ein klassischer Computer liefern kann, selbst wenn man die Zeit und die Energie berücksichtigt, die für die Einrichtung des Experiments, die Durchführung der Berechnung und die Verarbeitung der Daten erforderlich sind. Das Team betont, dass das Ziel nicht darin besteht, zu beweisen, dass Quantencomputer existieren, sondern zu demonstrieren, dass sie die Unsicherheit in wissenschaftlichen Vorhersagen verringern können. Wenn ein Quantengerät einem Chemiker mit größerer Zuversicht sagen kann, dass ein neues Batteriematerial stabil sein wird oder dass ein Medikament an ein Virus binden wird, dann hat es seinen Zweck erfüllt.

Im Bereich der Materialwissenschaften hebt die Arbeit die Schwierigkeit hervor, neue Verbindungen zu entdecken. Historisch gesehen war dies ein Prozess aus Intuition und High-Throughput-Experimenten, bei denen Wissenschaftler Tausende von Kandidaten testen, um die wenigen zu finden, die funktionieren. Während maschinelles Lernen geholfen hat, diesen Prozess zu beschleunigen, stützt es sich dennoch auf Daten, die durch klassische Simulationen generiert wurden, welche inhärente Ungenauigkeiten aufweisen können. Die Autoren schlagen vor, dass Quantencomputing die hochwertigen Daten liefern könnte, die benötigt werden, um diese Modelle des maschinellen Lernens zu trainieren, oder um direkt durch komplexe chemische Räume zu suchen, um Strukturen zu finden, die klassische Methoden möglicherweise übersehen. Dies ist besonders relevant für Systeme, die ungeordnet sind oder viele verschiedene Elemente enthalten, bei denen die Anzahl der möglichen Anordnungen zu gewaltig ist, um sie mit traditionellen Methoden gründlich zu erforschen.

Für die Biochemie sind die Herausforderungen noch größer, da biologische Systeme groß, chaotisch und ständig in Bewegung sind. Die Simulation eines einzelnen Proteins erfordert oft die Verfolgung von Hunderttausenden von Atomen – eine Aufgabe, die selbst die schnellsten Supercomputer an ihre Grenzen bringt. Die Arbeit argumentiert, dass eine vollständige Quantensimulation einer lebenden Zelle für absehbare Zeit kein realistisches Ziel ist. Stattdessen wird die praktischste Anwendung darin bestehen, Quantencomputer zu nutzen, um die spezifischen chemischen Reaktionen zu untersuchen, die in Enzymen ablaufen. Indem man diese kleinen, reaktiven Stellen mit Quantenpräzision und die Umgebung mit klassischen Methoden behandelt, könnten Wissenschaftler ein tieferes Verständnis dafür gewinnen, wie das Leben auf molekularer Ebene funktioniert. Dies könnte zu besseren Medikamentendesigns und einem klareren Bild der Entstehung von Krankheiten führen.

Die Autoren befassen sich auch mit der Hardware selbst und stellen fest, dass es mehrere konkurrierende Technologien gibt, von supraleitenden Schaltkreisen bis hin zu gefangenen Ionen und neutralen Atomen. Jede hat ihre eigenen Stärken und Schwächen, und es ist zu früh, um zu sagen, welche dominieren wird. Was wichtiger ist als die spezifische Art der Maschine, ist, wie gut sie in das bestehende Ökosystem der wissenschaftlichen Computertechnik integriert werden kann. Die Forscher weisen darauf hin, dass die Taktraten von Quantenprozessoren derzeit viel langsamer sind als die klassischer Computer, und dass die Art und Weise, wie Daten gespeichert und zwischen ihnen bewegt werden, eine große Hürde darstellt. Die Lösung dieser Ingenieursprobleme ist ebenso wichtig wie die Verbesserung der Quantenalgorithmen selbst.

Letztendlich dient das Papier als Roadmap für einen realistischen Übergang. Es legt nahe, dass sich das Feld von isolierten Demonstrationen, die die Fähigkeit eines Quantencomputers zeigen, ein „Spielzeugproblem“ zu lösen, hin zu integrierten Arbeitsabläufen bewegen sollte, die reale wissenschaftliche Fragen beantworten. Der Wert des Quantencomputings wird an seiner Fähigkeit gemessen werden, die Fehlergrenzen wissenschaftlicher Vorhersagen zu verringern. Wenn es uns mit größerer Gewissheit sagen kann, wie schnell eine Reaktion abläuft oder wie stabil ein neues Material sein wird, dann hat es seinen Platz im Labor verdient. Der Weg vor uns ist lang und die Technologie reift noch, aber der Pfad nach vorn ist klar: eine kollaborative Zukunft, in der Quanten- und klassische Computer zusammenarbeiten, um die Geheimnisse der materiellen Welt zu entschlüsseln.