Efficient Block Encodings for Ensembles of Molecular Hamiltonians

Para comprender cómo funciona una molécula de fármaco, los científicos a menudo necesitan verla no como un objeto único y congelado, sino como una forma flexible que se desplaza y gira. Las moléculas están constantemente vibrando, rotando y cambiando sus ángulos internos, y estos movimientos dictan cómo interactúan con el cuerpo humano. Para predecir estos comportamientos, los investigadores deben calcular la energía de una molécula a través de miles de formas diferentes, una tarea que crea un vasto paisaje de posibilidades. Durante décadas, se ha propuesto a la computación cuántica como la herramienta definitiva para resolver las complejas ecuaciones que describen estas energías moleculares. Sin embargo, los métodos cuánticos tradicionales tratan cada forma como un problema separado, lo que requiere que la computadora ejecute un cálculo distinto y costoso para cada configuración. Este enfoque se vuelve impráctico cuando el número de formas crece hasta los miles, ya que el costo computacional aumenta en proporción directa al número de formas, sobrepasando rápidamente incluso a las máquinas más potentes.

Un equipo de investigadores de PsiQuantum y Boehringer Ingelheim ha desarrollado un nuevo método para sortear este cuello de botella, permitiendo que una computadora cuántica procese toda una familia de formas moleculares simultáneamente. En lugar de tratar miles de geometrías moleculares diferentes como acertijos separados y no relacionados, el equipo encontró una manera de reconocer las profundas similitudes entre ellas. Crearon una técnica llamada SVD-THC, que actúa como una llave maestra para un conjunto completo de cerraduras. Al analizar los patrones matemáticos compartidos en todas las formas de un grupo, el método comprime la información de miles de geometrías en un único circuito unificado. Esto permite que la computadora cuántica evolucione el conjunto completo de formas a la vez, en lugar de ir procesándolas una por una.

Los investigadores probaron este enfoque en tres sistemas moleculares diferentes, que van desde una simple cadena de átomos hasta estructuras peptídicas complejas que imitan los componentes básicos de las proteínas. Generaron cuadrículas de miles de formas para cada molécula, siendo el conjunto más grande el que contenía más de cinco mil configuraciones distintas. En estas simulaciones, el nuevo método demostró ser notablemente eficiente. Mientras que el enfoque tradicional requeriría que la computadora realizara un cálculo completo y separado para cada forma, el nuevo método construyó un único circuito que manejaba todo el grupo. A medida que el número de formas aumentaba, el costo computacional del nuevo método apenas variaba, mientras que el costo del método antiguo subía de forma pronunciada. Para el caso de prueba más grande que involucraba la molécula de alanina dipeptido con 5,184 geometrías, el nuevo método redujo el número de puertas lógicas fundamentales necesarias en un factor de 200 en comparación con el enfoque estándar. Incluso para grupos más pequeños de formas, los ahorros fueron significativos, volviéndose el método más eficiente que la forma tradicional una vez que el tamaño del grupo alcanzaba apenas unas pocas docenas de geometrías.

El núcleo de este logro reside en cómo los investigadores organizaron los datos. Se dieron cuenta de que, si bien las posiciones de los átomos cambian de una forma a otra, las interacciones electrónicas subyacentes suelen seguir un patrón predecible de bajo rango. Al utilizar una descomposición matemática para separar la estructura electrónica compartida de los detalles geométricos específicos, pudieron construir un único circuito "multiplexado". Este circuito está diseñado para cambiar entre diferentes formas automáticamente, guiado por un registro cuántico que contiene el índice de la forma actual. Los investigadores descubrieron que la parte más costosa del cálculo, que implica cargar datos en la computadora, no necesitaba repetirse para cada forma. En su lugar, los datos para todo el conjunto podían prepararse una sola vez y reutilizarse, añadiendo solo un pequeño gasto constante para cada nueva forma. Esto resultó en un comportamiento de escalabilidad mucho más suave que el crecimiento lineal visto en los métodos anteriores.

En términos prácticos, esto significa que tareas que antes estaban fuera del alcance de las computadoras cuánticas, como mapear el paisaje energético completo de un candidato a fármaco o simular cómo se mueve una molécula a lo largo del tiempo, podrían volverse factibles. Los investigadores demostraron que su método podía predecir con precisión la energía de cada forma en la cuadrícula, manteniendo el error dentro de un margen estricto que es aceptable para la precisión química. También demostraron que el método funciona bien incluso cuando las formas no están dispuestas en una cuadrícula nítida y regular, lo que sugiere que podría aplicarse a las colecciones desordenadas e irregulares de formas que a menudo aparecen en el descubrimiento de fármacos del mundo real. El trabajo sugiere que, al explotar la redundancia inherente a los conjuntos moleculares, las computadoras cuánticas pueden ir más allá de resolver problemas aislados para manejar sistemas complejos y dinámicos.

El estudio también destacó los recursos específicos necesarios para que esto funcione en una futura computadora cuántica tolerante a fallos. Los investigadores calcularon el número de cúbits y puertas lógicas necesarios para ejecutar su algoritmo, encontrando que los ahorros en el recuento de puertas fueron sustanciales, aunque los ahorros en el tiempo total que la computadora está activa fueron algo menores debido a la sobrecarga de la carga de datos. Esta distinción es importante porque señala dónde se pueden realizar mejoras futuras. El equipo señaló que, si bien el recuento de puertas lógicas cayó drásticamente, el tiempo que la computadora pasa activa todavía está influenciado por el costo de mover los datos. Reducir esta sobrecarga de carga de datos podría estrechar aún más la brecha entre el potencial teórico del método y su aplicación práctica.

En última instancia, esta investigación proporciona un nuevo primitivo para la química cuántica, uno que trata el conjunto de formas moleculares como una entidad única y coherente en lugar de una colección de instantáneas inconexas. Los hallazgos sugieren que, para problemas que involucran muchas geometrías relacionadas, la ventaja cuántica no es solo una cuestión de esperar un mejor hardware, sino de encontrar formas más inteligentes de codificar el problema. Al comprimir la representación de miles de formas en un solo circuito, los investigadores han demostrado que las computadoras cuánticas pueden potencialmente abordar los paisajes complejos y multidimensionales que definen el comportamiento molecular. Esto abre la puerta a predicciones más precisas de cómo los fármacos se unirán a sus objetivos, cómo se plegarán las proteínas y cómo procederán las reacciones químicas, todo ello aprovechando la estructura compartida del mundo molecular.