Better accuracy with fewer qubits: Single-particle basis set optimization for quantum chemistry on quantum computers

Imagina que estás intentando resolver un rompecabezas masivo e intrincado, pero solo tienes una caja diminuta para guardar las piezas. Esta es la realidad actual para los científicos que intentan usar computadoras cuánticas para comprender la química. Las computadoras cuánticas son como motores superpotentes que algún día podrían ayudarnos a descubrir nuevos medicamentos o materiales, pero en este momento, son un poco "ruidosas" y frágiles. No pueden manejar demasiadas piezas a la vez sin que todo el cuadro se desmorone. Para que esto funcione, los científicos generalmente tienen que desechar la mayoría de las piezas del rompecabezas, quedándose solo con unas pocas para que quepan en la caja. El problema es que, cuando desechas demasiadas piezas, la imagen resultante es borrosa e inexacta. Pierdes los detalles finos que hacen que la química funcione.

El artículo del que vas a escuchar trata precisamente este problema. Plantea una pregunta inteligente: en lugar de intentar meter un rompecabezas gigante en una caja pequeña, ¿qué pasaría si rediseñamos las propias piezas del rompecabezas para que sean más pequeñas pero más inteligentes? Los investigadores se centraron en los "conjuntos de bases" (basis sets), que son esencialmente los bloques de construcción matemáticos que los científicos utilizan para describir cómo se comportan los electrones alrededor de los átomos. Piensa en esto como las formas de las piezas del rompecabezas. Por lo general, para obtener una imagen clara, necesitas una gran pila de piezas complejas y de alta calidad. Pero este artículo sugiere que, si remodelas cuidadosamente unas pocas piezas simples, puedes obtener una imagen igual de clara (o incluso más clara) utilizando muchas menos de ellas. Esto es algo importante porque significa que podríamos realizar cálculos químicos precisos en las computadoras cuánticas imperfectas de hoy sin necesidad de un millón de piezas que no caben.

La historia de las piezas de rompecabezas más inteligentes

Los autores de este artículo, Subimal Deb y V. S. Prasannaa, decidieron jugar al juego de "retocar y mejorar" con estos bloques de construcción matemáticos. Comenzaron con el conjunto de piezas más simple y básico disponible, conocido como "conjuntos de base mínimos" (minimal basis sets). Estos son como las piezas mínimas que puedes usar para describir un átomo. El problema es que, a menudo, son un poco toscos en los bordes, lo que conduce a resultados borrosos.

Para solucionar esto, el equipo inventó una "máquina de evolución" digital. Utilizaron un método inspirado en la naturaleza llamado algoritmo genético. Imagina que tienes una caja de piezas ligeramente diferentes. Pruebas todas para ver cuáles forman la mejor imagen. Los "ganadores" tienen derecho a tener "bebés" (nuevas versiones hechas mezclando sus características), y los "perdedores" son desechados. Pero los autores no se detuvieron ahí; añadieron un paso de "refinamiento", como un escultor que desprende diminutos trozos de piedra para hacer la pieza perfecta. Llamaron a todo este proceso algoritmo memético.

Realizaron esta evolución digital en átomos que van desde el Hidrógeno hasta el Flúor (saltándose el Helio, que es un caso un poco especial). Comenzaron con las piezas estándar y las evolucionaron en nuevas versiones superoptimizadas que llaman conjuntos de base MSTO-kG. La "k" en el nombre es solo un número que representa cuántas diminutas formas gaussianas se comprimieron para formar una sola pieza. Llevaron este número hasta 11, creando piezas que eran mucho más detalladas que las originales simples, aunque mantuvieron el mismo número total de piezas.

El resultado mágico: Mejores imágenes, menos piezas

Aquí está la parte emocionante: debido a que mantuvieron el número de piezas igual, no necesitaron espacio adicional en la caja de su computadora cuántica. Pero como las piezas eran más inteligentes, las imágenes que construyeron fueron asombrosamente claras.

Cuando probaron estas nuevas piezas MSTO frente a los conjuntos de alta calidad utilizados por los químicos (como el famoso conjunto 6-31G), los resultados fueron sorprendentes. Para muchos átomos, su nuevo y pequeño conjunto de piezas produjo energías de estado fundamental (el nivel de energía más estable de un átomo) que fueron tan buenas como, o incluso mejores que, los conjuntos mucho más grandes y costosos.

Por ejemplo, cuando observaron el átomo de Litio, sus piezas optimizadas superaron de hecho el rendimiento del conjunto cc-pVQZ. Esto es un gran logro porque el conjunto cc-pVQZ es un conjunto "cuádruple zeta", lo que significa que es una colección masiva y de alta definición de piezas. Los autores lograron mejores resultados utilizando un conjunto con el mismo número de piezas que el diminuto y básico conjunto mínimo. Es como obtener una imagen de calidad de película 4K usando solo un puñado de píxeles, siempre que esos píxeles estén pintados de la manera justa.

También comprobaron cómo funcionaban estas nuevas piezas para las moléculas (grupos de átomos unidos). Para la mayoría de las moléculas que probaron, como el Hidruro de Litio o el Hidruro de Berilio, las nuevas piezas funcionaron tan bien como los conjuntos estándar 6-31G. Hubo un contratiempo: la molécula de Hidrógeno ($H_2$) no funcionó tan bien con sus nuevas piezas, un hallazgo que coincide con lo que otros científicos han visto anteriormente. Pero para casi todo lo demás, las nuevas piezas fueron ganadoras.

Por qué esto importa para el futuro

El verdadero poder de este trabajo brilla cuando miras el "costo" de ejecutar estos cálculos en una computadora cuántica. Las computadoras cuánticas se miden en "qubits" (la versión cuántica de los bits) y "puertas" (las operaciones que realizan). Cuanto más complejos sean los bloques de construcción del rompecabezas, más qubits y puertas necesitarás.

Los autores realizaron simulaciones para ver cómo sus nuevas piezas MSTO se compararían con las estándar para tres algoritmos cuánticos diferentes: VQE (utilizado en las computadoras ruidosas de hoy), QPE (un método futuro más potente) y HHL (otro algoritmo avanzado).

Los resultados fueron una victoria masiva para la eficiencia. Para el átomo de Litio, usar su conjunto de base MSTO-11G requirió el mismo número de qubits que el diminuto y básico conjunto, pero utilizó muchas menos puertas que el conjunto 6-31G grande. Específicamente, necesitaron solo alrededor del 13% de las puertas de dos qubits requeridas por el conjunto 6-31G y solo el 3% de las puertas necesarias para el conjunto incluso más grande, cc-pVDZ.

Piénsalo de esta manera: si el método estándar requiere que conduzcas un camión pesado para entregar un paquete, el método de los autores te permite usar una motocicleta elegante y rápida para entregar el mismo paquete al mismo destino, pero con mucho menos combustible y menos desgaste en la carretera.

La conclusión

Este artículo no pretende haber resuelto toda la química ni haber construido una computadora cuántica perfecta. En cambio, ofrece un rodeo muy práctico y astuto para las limitaciones que enfrentamos actualmente. Al utilizar un enfoque evolutivo inteligente para rediseñar los "bloques de construcción" matemáticos de los átomos, los autores demostraron que podemos obtener resultados de alta calidad y precisión sin necesidad de una cantidad masiva de recursos cuánticos.

Demostraron que no siempre necesitas más piezas para obtener una mejor imagen; a veces, solo necesitas hacer que las piezas que tienes trabajen un poco más duro. Esto abre la puerta a simulaciones químicas más precisas en las computadoras cuánticas que tenemos hoy y en las que vendrán en un futuro cercano, ayudándonos a acercarnos al descubrimiento de nuevos fármacos y materiales sin esperar a que la tecnología sea perfecta.