Resumen Técnico: Puente entre los regímenes NISQ y de Tolerancia a Fallos mediante QSCI asistido por Aprendizaje Generativo-ML

1. Declaración del Problema

El cálculo preciso de las energías de enlace para sistemas proteína-ligando es un cuello de botella crítico en el descubrimiento de fármacos. Los métodos clásicos enfrentan un compromiso fundamental: la teoría de coupled-cluster de alta precisión (CCSD(T)) escala como $O(N_{orb}^7)$, volviéndose intratable para sistemas grandes, mientras que el Full Configuration Interaction (FCI) escala exponencialmente. Por el contrario, la Teoría del Funcional de la Densidad (DFT) es tratable pero a menudo falla al capturar los fenómenos específicos de la estructura electrónica que gobiernan las interacciones proteína-ligando.

La computación cuántica ofrece una vía hacia la precisión de nivel FCI con escalamiento polinomial, pero el hardware actual de Escala Intermedia con Ruido (NISQ) carece de la profundidad de coherencia requerida para circuitos profundos. Además, los algoritmos cuánticos basados en muestreo existentes, como la Interacción de Configuración Cuántica Seleccionada (QSCI) y la Diagonalización Cuántica Basada en Muestreo (SQD), sufren de ineficiencias estructurales:

• QSCI depende de la post-selección, descartando muestras que violan la simetría, lo que conduce a un subespacio disperso en regímenes de bajo ruido y una convergencia deficiente.
• SQD utiliza la recuperación de configuración (CR) estocástica para reparar muestras inválidas, pero esto a menudo requiere saturar todo el espacio de Hilbert restringido por simetría para alcanzar la precisión química, lo que resulta en costos de diagonalización clásica prohibitivos.
• Inicialización del Ansatz: Los ansätze competidores como el Local Unitary Cluster Jastrow (LUCJ) requieren una inicialización CCSD de $O(N^6)$, lo cual es computacionalmente costoso para espacios activos grandes.

2. Metodología

Este trabajo propone un flujo de trabajo híbrido cuántico-clásico ejecutado en el simulador de estado vectorial ideal Fujitsu FX700 utilizando el Quantum Application Research Package (QARP). La metodología integra tres innovaciones principales:

A. El Ansatz LCNot-UCCSD

Los autores utilizan el ansatz de Clúster Unitario de Singletos y Dobletes de Escalamiento Lineal basado en CNOT (LCNot-UCCSD). A diferencia de las implementaciones estándar de UCCSD que escalan como $O(N^5)$ en conteo de CNOT, el LCNot-UCCSD utiliza operadores basados en excitaciones de cúbits (QEB) para escalar como $O(N^4)$.

• Inicialización: Los parámetros se inicializan utilizando amplitudes MP2 ($O(N^4)$) en lugar de amplitudes CCSD ($O(N^6)$), reduciendo significativamente el tiempo de preprocesamiento clásico.
• Agnosticismo de Hardware: El circuito emplea puertas $R_y$ triplemente controladas ($CCCR_y$) para excitaciones dobles. En el FX700, estas se simulan nativamente como unitarias multiqubit sin descomposición, evitando la inflación de profundidad asociada con la transpilación a puertas de 1 y 2 cúbits.

B. QSCI-RBM: Expansión de Subespacio Generativa

El artículo introduce QSCI-RBM, una variante que reemplaza la recuperación de configuración estocástica de SQD con una Máquina de Boltzmann Restringida (RBM).

• Flujo de Trabajo: El circuito cuántico genera cadenas de bits (bitstrings). Las muestras válidas (que conservan el número de partículas $N$ y el espín $S_z$) son post-seleccionadas. Una RBM se entrena con estas muestras válidas para aprender la distribución de probabilidad de los determinantes dominantes.
• Expansión Iterativa: La RBM entrenada realiza un muestreo de Gibbs para generar nuevas configuraciones válidas de simetría. Estas se fusionan en el subespacio $S_{sub}$, que luego se diagonaliza clásicamente usando un solver de Davidson.
• Ventaja: A diferencia de SQD, que prolifera configuraciones mediante giros de un solo orbital (a menudo saturando el espacio de Hilbert), la RBM concentra el muestreo en el soporte de alta probabilidad de la función de onda, manteniendo un subespacio compacto.

C. Teoría de Embebimiento de la Matriz de Densidad (DMET)

Para abordar sistemas moleculares grandes, el flujo de trabajo se embebe dentro de DMET. El sistema se fragmenta en impurezas (por ejemplo, 10 fragmentos para el complejo de la proteasa SARS-CoV-2, 11 para la Amantadina), mientras cada impureza se resuelve independientemente con el solver cuántico con un espacio activo de 4 HOMO–4 LUMO (máximo 16 cúbits por fragmento), mientras que el entorno se trata clásicamente.

D. Análisis de Error Controlado

Para cerrar la brecha entre los regímenes NISQ y de tolerancia a fallos, los autores realizan un barrido de 14 niveles de error artificial controlado ($\sigma$). Se aplica una rotación aleatoria $R_y(\theta_i)$ antes de la medición, donde $\theta_i \sim N(0, \sigma^2)$. Esto permite evaluar la robustez algorítmica desde el límite ideal de tolerancia a fallos ($\sigma=0$) hasta condiciones NISQ ruidosas.

3. Resultados Clave

A. Benchmark STO-3G de Ocho Moléculas

Evaluado en ocho moléculas (de $H_2$ a $N_2$) a través de 14 niveles de error:

• Desempeño de SQD: En $\sigma=0$ (ideal), SQD falla en alcanzar la precisión química para moléculas más grandes (errores de hasta 270 mHa) porque el subespacio post-seleccionado es demasiado disperso. Solo alcanza la precisión química en niveles de ruido intermedios o altos ($\sigma \ge 0.2$ a $2.0$), donde requiere entre el 72% y el 100% de la dimensión del espacio de Hilbert completo $|S|$.
• Desempeño de QSCI-RBM: Logra la precisión química ($\le 1.59$ mHa) en todos los 14 niveles de error para todas las moléculas, incluyendo el caso ideal $\sigma=0$.
• Compacidad del Subespacio: En $\sigma=0$, QSCI-RBM logra la precisión química utilizando solo el 25–27% del espacio de Hilbert para CO y $N_2$, comparado con el requisito de ~97–100% de SQD. Esto representa una reducción del 73–74% en el costo de diagonalización clásica.

B. Escaneo de la Superficie de Energía Potencial (PES) de $N_2$

En la base cc-pVDZ con un espacio activo (4,4):

• Robustez: SQD exhibe inestabilidad y divergencia cerca del equilibrio y durante la disociación del enlace a bajos niveles de ruido, requiriendo ruido artificial ($\sigma=2.0$) para regularizar la solución.
• QSCI-RBM: Rastrea con éxito la energía de referencia CASCI a través de toda la PES en $\sigma=0$, manteniendo la precisión química.
• Escalamiento Adaptativo: La RBM ajusta dinámicamente la cobertura del subespacio basándose en el carácter multirreferencial (desde ~31% en geometrías comprimidas hasta ~100% en la disociación), mientras que SQD impone una cobertura rígida y casi total.

C. Aplicaciones de Fármaco-Objetivo (DMET)

El flujo de trabajo se aplicó a la Amantadina (11 fragmentos) y al complejo Proteasa Principal (Mpro) de SARS-CoV-2–Carmofur (10 fragmentos) a través de las bases STO-3G, 6-31G y cc-pVDZ.

• Amantadina: QSCI-RBM logró la precisión química en $\sigma=0$ y $\sigma=0.01$ en todas las bases con coberturas de subespacio ($\eta_{sub}$) de 0.17–0.29. SQD requirió mayor ruido ($\sigma \ge 1.0$) y subespacios más grandes ($\eta_{sub} \approx 0.58–0.89$) para converger.
• Mpro–Carmofur: Este representa la primera simulación cuántica de este complejo dentro de un marco DMET-QSCI. QSCI-RBM logró la precisión química para la región activa en $\sigma=0$ (STO-3G) y $\sigma=1.0$ (6-31G/cc-pVDZ).
• Escalabilidad: El escalamiento efectivo alcanzó ~160–176 cúbits para las regiones activas (10–11 fragmentos). QSCI-RBM requirió consistentemente entre un 8% y 17% menos de cobertura de subespacio que SQD en los puntos operativos óptimos, lo que se traduce en ahorros significativos en los recursos de diagonalización clásica.

4. Significado y Reivindicaciones

Los autores afirman que este trabajo representa varios "primeros" y avances críticos:

1. Primer Despliegue: Este es el primer uso del ansatz LCNot-UCCSD dentro de un flujo de trabajo QSCI en un simulador cuántico, y la primera aplicación de DMET-QSCI(LCNot-UCCSD)-RBM a un sistema proteína-ligando de relevancia industrial (Mpro–Carmofur).
2. Puente entre Regímenes: El estudio demuestra un marco unificado que funciona eficazmente desde el régimen ruidoso actual hasta el límite futuro de tolerancia a fallos. Crucialmente, muestra que QSCI-RBM sobresale en el régimen de tolerancia a fallos (bajo ruido) donde SQD falla debido a la dispersión del subespacio, mientras que SQD solo es robusto en regímenes de alto ruido donde se vuelve computacionalmente costoso.
3. Eficiencia: Al reemplazar la inicialización CCSD de $O(N^6)$ por la inicialización MP2 de $O(N^4)$ y utilizar RBM para comprimir el subespacio de diagonalización en un 36–74%, el enfoque ofrece un camino más económico para los cálculos de estructura electrónica correlacionada para el descubrimiento de fármacos.
4. Relevancia de Hardware: El trabajo valida que el ansatz LCNot-UCCSD, con su estructura de compuertas multiqubit nativa, es bien adecuado para el futuro hardware de átomos neutros (Rydberg), siempre que las tasas de error de las compuertas mejoren.

El artículo concluye que, al utilizar una fracción de los recursos clásicos requeridos por trabajos de vanguardia de Cleveland Clinic, RIKEN e IBM, este flujo de trabajo híbrido permite simulaciones de descubrimiento de fármacos más eficientes y escalables.