Resource efficient Sample Based Quantum Simulation through Fragmentation and Virtual Partitioning of QPU

Stellen Sie sich vor, Sie versuchen zu verstehen, wie eine komplexe Maschine funktioniert, indem Sie sie in Einzelteile zerlegen, jedes kleine Stück isoliert untersuchen und das Wissen dann sorgfältig wieder zusammensetzen, um das Ganze zu verstehen. Dies ist das Wesen der modernen Molekularsimulation, einem Feld, in dem Wissenschaftler versuchen vorherzusagen, wie Atome und Moleküle sich verhalten, um neue Medikamente und Materialien zu entwickeln. Jahrzehntelang hatten klassische Computer mit dieser Aufgabe zu kämpfen, da die Regeln, die Elektronen steuern, unglaublich komplex sind und eine enorme Rechenleistung erfordern, um sie genau zu lösen. Quantencomputer, die die seltsamen Gesetze der Physik nutzen, die die subatomare Welt regieren, versprechen, diese Probleme auf natürliche Weise zu lösen. Aktuelle Quantenmaschinen sind jedoch noch klein und fehleranfällig, was es schwierig macht, die massiven Berechnungen durchzuführen, die für reale Moleküle erforderlich sind. Die Herausforderung bestand darin, einen Weg zu finden, diese fragilen Geräte der frühen Phase zu nutzen, um große, chemisch relevante Systeme anzugehen, ohne sich im Rauschen zu verlieren oder Jahrzehnte auf die Ergebnisse zu warten.

Ein Team von Forschern hat einen neuen Ansatz entwickelt, der drei verschiedene Strategien kombiniert, um dies möglich zu machen. Sie nennen ihre Methode FMO-QVM-HCI-HSQD, ein Framework, das darauf ausgelegt ist, ein großes molekulares Problem in handhabbare Stücke zu zerlegen, diese Stücke gleichzeitig auf einem einzigen Quantenprozessor auszuführen und eine vereinfachte Art der Datenerfassung zu nutzen, um die Belastung der Hardware zu reduzieren. Der erste Teil ihrer Strategie umfasst die Fragmentierung. Anstatt zu versuchen, ein ganzes großes Molekül auf einmal zu simulieren, was mehr Quantenbits erfordern würde, als derzeit existieren, teilen sie das Molekül in kleinere, unabhängige Stücke auf. Sie behandeln jedes Stück, oder Fragment, als sein eigenes kleines Problem und berechnen dessen Energie unter Berücksichtigung des elektrischen Einflusses der Umgebung. Dies ermöglicht es ihnen, viele kleine Probleme statt eines unmöglichen riesigen Problems zu lösen.

Die zweite Innovation adressiert die Frage, wie diese kleinen Probleme auf dem Quantencomputer ausgeführt werden. Normalerweise wird ein Quantenprozessor als eine einzige Einheit betrachtet, in der ein Programm zur Zeit läuft. Die Forscher verwendeten stattdessen eine Technik namens Quanten-Virtual-Machine, die den physischen Prozessor in mehrere unabhängige Regionen unterteilt. Dies ermöglicht es, mehrere verschiedene Fragmentberechnungen gleichzeitig auf verschiedenen Teilen desselben Chips auszuführen. Durch dies vermeiden sie die langen Wartezeiten, die entstehen, wenn Aufgaben nacheinander in einer Warteschlange abgearbeitet werden, und verwandeln einen einzelnen Quantencomputer effektiv in eine kleine Fabrik, in der viele Produkte gleichzeitig hergestellt werden. Der dritte Teil ihrer Methode beinhaltet eine clevere Abkürzung bei der Informationsbeschaffung. Anstatt den vollen Satz an Quantenbits zu verwenden, der erforderlich ist, um jeden möglichen Zustand der Elektronen zu beschreiben, nutzen sie einen „Halb-Qubit“-Ansatz, der sich nur auf eine Seite des Elektronenspins konzentriert. Dies halbiert die Anzahl der erforderlichen Bits und verkürzt die Schaltungstiefe (Circuit Depth) – also die Länge der Sequenz von Operationen, die der Computer ausführen muss – erheblich. Kürzere Schaltkreise sind weniger anfällig für das Rauschen, das aktuelle Quantengeräte plagt.

Um zu testen, ob diese Kombination von Ideen tatsächlich funktionierte, führten das Team Experimente an zwei sehr unterschiedlichen Systemen mit echter Hardware von IBM durch. Das erste System war ein Wasser-Trimer, ein Cluster aus drei Wassermolekülen, die durch Wasserstoffbrückenbindungen zusammengehalten werden. Das zweite war ein komplexeres biologisches System: ein Wirkstoffmolekül namens Carmofur, das an ein Zielprotein des SARS-CoV-2-Virus gebunden ist, ein Schlüsselziel für die antivirale Arzneimittelentwicklung. In diesen Experimenten verglichen sie ihre neue Methode mit älteren, traditionelleren Wegen der Durchführung dieser Simulationen. Für das Wasser-Trimer fanden sie heraus, dass ihr Ansatz die Zeit, in der der Quantencomputer beschäftigt war, um 82 Prozent reduzierte, im Vergleich zum sequenziellen Abarbeiten der Fragmente. Er reduzierte auch die Komplexität der Berechnung um fast 40 Prozent. Am wichtigsten war, dass die Ergebnisse hochpräzise waren und der Genauigkeit viel teurerer klassischer Berechnungen entsprachen, während sie nur einen winzigen Bruchteil des möglichen Datenraums nutzten.

Die Ergebnisse für den Wirkstoff-Protein-Komplex waren noch aussagekräftiger. Im Standardsetup erforderte die Simulation dieses Moleküls einen tiefen und komplexen Quantenschaltkreis, was es schwierig machte, zuverlässige Ergebnisse zu erhalten. Durch ihren fragmentierten, parallelen und vereinfachten Ansatz reduzierten die Forscher die Schaltungstiefe um 47 Prozent und senkten die Zeit auf dem Quantenprozessor um 20 Prozent. Sie erreichten die chemische Genauigkeit, den Goldstandard für die Vorhersage der Interaktion von Molekülen, während sie auf weniger als ein Hundertstel Prozent der möglichen Datenkombinationen zugriffen, die eine traditionelle Methode untersuchen müsste. Dies deutet darauf hin, dass die Methode nicht nur schneller, sondern auch effizienter darin ist, die richtigen Antworten zu finden, ohne sich in unnötigen Berechnungen zu verlieren.

Die Forscher trieben die Grenzen dann weiter, indem sie den Wirkstoff-Protein-Komplex mit einem noch größeren und detaillierteren Modell der Elektronen simulierten, einem Setup, das bis zu 52 Quantenbits erforderte. Dies ist eine signifikante Größe für die aktuelle Hardware, dennoch gelang es ihrer Methode, die Aufgabe zu bewältigen. Die berechnete Gesamtenergie des Moleküls wich nur um eine winzige Marge von der besten verfügbaren klassischen Schätzung ab, was weit innerhalb des Bereichs liegt, der als genau für die Arzneimittelentwicklung gilt. Dies demonstrierte, dass das Framework in der Lage ist, Systeme zu handhaben, die weit größer sind als das, was mit bisherigen Methoden auf derselben Hardware simuliert werden konnte. Das Team merkte an, dass die Methode zwar leistungsstark ist, aber kein Allheilmittel darstellt; sie hängt von der spezifischen Qualität des Quantenprozessors und der Art und Weise ab, wie die Fragmente auf die Hardware abgebildet werden. Wenn die Hardware zu verrauscht ist oder die Fragmente zu groß sind, um in die verfügbaren Regionen zu passen, verringern sich die Vorteile.

Letztendlich zeigt diese Arbeit, dass es durch die Zerlegung von Problemen, das parallele Ausführen und die Vereinfachung der Datenerfassung möglich ist, die heutigen unvollkommenen Quantencomputer zu Studien an Molekülen zu nutzen, die für die reale Chemie und Medizin relevant sind. Die Forscher behaupteten nicht, alle Probleme der Quantensimulation gelöst zu haben, aber sie haben einen klaren Weg aufgezeigt. Ihre Ergebnisse legen nahe, dass die Kombination aus Fragmentierung, virtueller Partitionierung des Prozessors und Halb-Qubit-Sampling es machbar macht, chemisch relevante Systeme auf aktueller Hardware zu simulieren. Dies ist ein bedeutender Schritt hin zu dem Tag, an dem Quantencomputer routinemäßig bei der Entwicklung neuer Medikamente und beim Verständnis komplexer Materialien helfen können, wodurch eine einst theoretische Möglichkeit in ein praktisches Werkzeug für Wissenschaftler verwandelt wird.