Protein folding on a 64 qubit trapped-ion hardware via counterdiabatic quantum optimization

Ce papier rend compte de la plus grande démonstration à ce jour d'optimisation du repliement de protéines en réseau par ions piégés, utilisant une méthode d'optimisation quantique adiabatique numérisée avec champ de polarisation (BF-DCQO) sur un système de 64 qubits en baryum pour générer avec succès des échantillons structurés à faible énergie pour des séquences peptidiques complexes qui correspondent aux énergies de référence classiques.

L'essentiel

Imaginez essayer de plier un long morceau de ficelle emmêlé dans la forme parfaite afin qu'il contienne un message secret spécifique. Dans le monde réel, c'est ce que font les protéines : ce sont des chaînes d'acides aminés qui se tordent et se tournent pour former des formes 3D complexes afin d'accomplir des tâches vitales dans notre corps. Trouver la forme « parfaite » (celle ayant l'énergie la plus basse) revient à essayer de résoudre un puzzle massif à plusieurs dimensions où le nombre de mauvaises réponses possibles est plus grand que le nombre d'étoiles dans l'univers.

Ce document décrit une nouvelle expérience où des scientifiques ont utilisé un puissant ordinateur quantique (plus précisément, une machine à ions piégés avec 64 « qubits », ou bits quantiques) pour aider à résoudre ce puzzle de repliement pour six chaînes de protéines différentes.

Voici une décomposition de ce qu'ils ont fait, comment ils l'ont fait et ce qu'ils ont découvert, en utilisant des analogies simples.

1. Le Problème : Un Nœud Emmêlé

Imaginez une chaîne de protéines comme un collier de perles. Chaque perle peut tourner dans différentes directions. L'objectif est de trouver la séquence spécifique de tours qui fait que les perles se regroupent de la manière la plus efficace, tout en s'assurant que la ficelle ne se croise pas elle-même (ce qui serait physiquement impossible).

• Le Défi : Si vous devinez simplement au hasard, vous obtiendrez peut-être une forme, mais elle sera probablement un nœud désordonné à haute énergie (instable).
• L'Échelle : Les chercheurs ont testé des protéines comportant de 14 à 16 perles. Bien que cela semble petit, les mathématiques derrière sont incroyablement complexes, nécessitant jusqu'à 61 qubits pour être représentées. C'est la plus grande expérience de repliement de protéines jamais réalisée sur un ordinateur quantique à ions piégés.

2. La Méthode : La « Boussole Magnétique » (BF-DCQO)

Au lieu de simplement deviner au hasard, l'équipe a utilisé un algorithme spécial appelé Optimisation Quantique Contre-Adiabatique Numérisée par Champ de Biais (BF-DCQO).

• L'Analogie : Imaginez que vous essayez de trouver le point le plus bas dans une vallée brumeuse.
  • Échantillonnage Aléatoire : Vous commencez simplement à marcher dans des directions aléatoires. Vous pourriez trébucher sur un point bas, mais vous vous perdrez surtout sans but.
  • BF-DCQO : C'est comme avoir une boussole qui devient plus intelligente à chaque pas que vous faites.
    1. L'ordinateur prend une « photo » des meilleures formes qu'il a trouvées jusqu'ici.
    2. Il analyse ces photos et dit : « Hé, dans ces bonnes formes, cette perle spécifique pointait généralement vers le Nord. »
    3. Il crée ensuite un « biais magnétique » (une légère poussette) qui attire la prochaine série d'expériences vers le Nord.
    4. Il répète ce processus, se concentrant de plus en plus sur la bonne direction à chaque tour.

3. Le Matériel : L'Équipe « Tout Connecté »

L'expérience a été exécutée sur un système d'ions Baryum à 64 qubits (similaire à la future gamme IonQ Tempo).

• Pourquoi cela compte : Dans de nombreux ordinateurs, les bits sont comme des personnes assises en rangée ; pour parler à la personne à l'autre bout, elles doivent faire passer un message le long de la ligne (lent et désordonné). Dans ce système à ions piégés, chaque qubit est connecté à tous les autres qubits, comme un groupe de personnes debout en cercle où tout le monde peut parler à tout le monde instantanément. Cela est parfait pour le repliement des protéines car les perles d'une protéine interagissent entre elles de loin, et pas seulement avec leurs voisins immédiats.

4. Les Résultats : Apprendre le Motif

Les chercheurs ont découvert que l'ordinateur quantique n'a pas simplement eu de la chance ; il a réellement appris la structure du problème.

• Données Brutes : Lorsqu'ils ont examiné les formes brutes produites par l'ordinateur quantique, elles étaient encore désordonnées (principalement parce que l'ordinateur n'imposait pas strictement la règle selon laquelle la ficelle ne peut pas se croiser elle-même). Cependant, l'« énergie » de ces formes désordonnées était significativement plus basse que les devinettes aléatoires.
• Le Secret du « Contact » : L'ordinateur quantique était particulièrement bon pour déterminer quelles perles devraient se toucher (les variables de « contact »). Il a appris un motif : « Lorsque la ficelle se plie de cette manière, ces deux perles doivent se toucher. »

5. La Correction : Le Pipeline de « Consensus »

Puisque l'ordinateur quantique a produit certaines formes « illégales » (où la ficelle se croisait elle-même), l'équipe avait besoin d'un moyen de les corriger sans perdre les bons motifs que l'ordinateur avait trouvés. Ils ont essayé deux méthodes :

• Méthode A (La « Réparation Solo ») : Ils ont pris une forme à la fois, corrigé les croisements illégaux, puis recalculé les contacts à partir de zéro.
  • Résultat : Cela a effacé les bons motifs que l'ordinateur quantique avait appris. C'était comme prendre un excellent croquis et le redessiner de mémoire, en perdant le style original de l'artiste.
• Méthode B (Le Pipeline de « Consensus ») : Ils ont examiné toutes les bonnes formes que l'ordinateur avait trouvées, ont demandé : « Qu'est-ce que la majorité de ces formes s'accordait à dire ? » et ont utilisé cet accord pour construire une forme finale, légale.
  • Résultat : Cela a beaucoup mieux fonctionné. En conservant le « vote du groupe » de l'ordinateur quantique, ils ont préservé les motifs appris.

Le Résultat :
En utilisant la méthode de « Consensus », l'équipe a réussi à trouver l'état d'énergie mathématiquement parfait exact pour 4 des 6 séquences de protéines qu'ils ont testées. Lorsqu'ils ont utilisé des devinettes aléatoires au lieu des indices de l'ordinateur quantique, ils n'ont réussi que 1 fois sur 6.

Résumé

Ce document prouve qu'un ordinateur quantique à 64 qubits peut agir comme un guide intelligent pour résoudre des puzzles complexes de repliement de protéines. Il ne résout pas tout le puzzle parfaitement seul (en raison du bruit matériel et des contraintes), mais il apprend très bien les « règles d'engagement » (quelles perles devraient se toucher). Lorsque vous combinez cet apprentissage quantique avec une correction intelligente de type « consensus » créée par l'homme, vous obtenez des résultats nettement meilleurs que les devinettes aléatoires.

Point Clé : L'ordinateur quantique a fourni la « structure » (le motif des interactions), et l'ordinateur classique a fourni la « faisabilité » (s'assurer que la forme est physiquement possible). Ensemble, ils ont résolu un problème plus difficile que ce que l'un ou l'autre aurait pu résoudre seul.

Résumé technique

1. Énoncé du problème

L'article aborde le problème du repliement des protéines, spécifiquement la prédiction de la structure 3D d'une protéine à partir de sa séquence d'acides aminés. Il s'agit d'un problème d'optimisation combinatoire NP-dur où l'espace des configurations croît de manière exponentielle avec la longueur de la chaîne.

• Modèle : Les auteurs utilisent un modèle de réseau tétraédrique à grains grossiers. Dans ce modèle, les résidus d'acides aminés sont représentés par des perles sur un réseau tétraédrique. Le squelette est encodé comme une marche auto-évitante, et les interactions sont définies par le potentiel de Miyazawa–Jernigan.
• Formulation Hamiltonienne : Le problème est mappé sur un Hamiltonien d'Ising ($H = H_{back} + H_{contact}$) :
  • $H_{back}$ : Impose des contraintes géométriques (empêchant le retour en arrière et les chevauchements).
  • $H_{contact}$ : Encode les interactions par paires entre les résidus séparés par $\geq 5$ positions dans la séquence mais proches dans l'espace 3D.
• Défi : Les Hamiltoniens résultants sont des problèmes de verre de spin d'ordre élevé avec des interactions à longue portée (jusqu'à des termes à cinq corps) et une connectivité dense. Leur résolution nécessite de satisfaire des contraintes géométriques strictes tout en optimisant des interactions de contact denses, une tâche difficile pour le matériel quantique à court terme en raison du bruit et du problème de l'« échantillon non réalisable » (où la plupart des sorties quantiques violent les contraintes géométriques).

2. Méthodologie

L'étude emploie l'Optimisation Quantique Contre-Adiabatique Numérisée avec Champ de Biais (BF-DCQO) sur un processeur à ions piégés de 64 qubits.

A. Plateforme matérielle

• Système : Un système de développement au Baryum de 64 qubits (similaire à la future gamme IonQ Tempo).
• Avantages : La plateforme dispose d'une connectivité tout-à-tout, éliminant le besoin de portes SWAP pour implémenter les couplages d'Ising denses requis par le modèle de repliement des protéines. Cela réduit considérablement la profondeur des circuits et les surcoûts par rapport aux architectures à voisins les plus proches (par exemple, les qubits supraconducteurs).

B. Algorithme : BF-DCQO

L'algorithme combine une conduite contre-adiabatique (CD) avec un mécanisme itératif de mise à jour du champ de biais :

1. Conduite contre-adiabatique : Au lieu d'une évolution adiabatique lente, l'algorithme utilise une évolution à court temps dominée par un terme contre-adiabatique approximatif ($A_\lambda \approx i\alpha_1 [H_i, H_f]$). Cela supprime les transitions diabatiques et permet des circuits peu profonds.
2. Numérisation : L'évolution est numérisée via la trélorisation. Les termes de Pauli avec de petits coefficients sont élagués pour réduire la profondeur des circuits.
3. Mises à jour du champ de biais (Raffinement itératif) :
   • Le Hamiltonien initial inclut des champs de biais longitudinaux ($h_j Z_j$).
   • À chaque tour $r$, le système est évolué et des échantillons de basse énergie ($S_l$) sont mesurés.
   • Les champs de biais sont mis à jour en fonction des valeurs d'attente des échantillons de basse énergie : $h^{(r+1)}_j = -K_s \langle \sigma^z_j \rangle_{S_l}$.
   • Ce mécanisme oriente progressivement l'état initial vers des régions de l'espace de Hilbert contenant de bonnes solutions sans nécessiter d'optimisation des paramètres variationnels.

C. Heuristiques de post-traitement

Puisque les échantillons quantiques bruts violent souvent les contraintes géométriques (marche auto-évitante), deux pipelines de post-traitement classiques ont été testés :

1. Pipeline de consensus (Proposé) : Agrège les informations de nombreux échantillons quantiques. Il calcule les valeurs d'attente des qubits de contact sur les $k$ meilleurs échantillons pour créer une chaîne de bits de contact « consensuelle ». Ce consensus est ensuite combiné avec un pool de géométries de squelette réalisables pour trouver la structure valide optimale.
2. Réparation par échantillon : Traite chaque échantillon indépendamment. Il filtre pour la faisabilité géométrique, puis ré-optimise les qubits de contact à partir de zéro en utilisant un dénombrement exhaustif.

3. Contributions clés

1. Record d'échelle : Il s'agit de la plus grande démonstration de repliement de protéines sur un matériel à ions piégés à ce jour, utilisant 61 qubits (sur 64 disponibles) pour encoder des séquences peptidiques de 14 à 16 acides aminés. Cela dépasse les limites précédentes (par exemple, 33 qubits pour 12 acides aminés).
2. Application algorithmique : Première application du BF-DCQO au repliement des protéines à cette échelle, démontrant sa capacité à gérer des Hamiltoniens d'interaction denses et d'ordre élevé.
3. Insight sur le post-traitement : L'article identifie que le post-traitement naïf peut effacer les avantages quantiques. La méthode « Réparation par échantillon » écrase les motifs de contact appris par l'algorithme quantique, tandis que le « Pipeline de consensus » préserve l'information statistique structurée générée par le processeur quantique.
4. Validation matérielle : Démontre l'efficacité du matériel à ions piégés connecté tout-à-tout pour les problèmes d'optimisation denses, évitant la surcharge des portes SWAP.

4. Résultats

L'étude a testé six séquences peptidiques (variant de 46 à 61 qubits).

• Distributions d'énergie brutes : BF-DCQO a produit des échantillons avec des énergies moyennes 2,9 fois plus faibles que l'échantillonnage aléatoire uniforme. La distribution était constamment décalée vers des énergies plus basses, indiquant que l'algorithme a appris avec succès les structures d'interaction malgré le bruit matériel.
• Polarisation des qubits de contact : L'algorithme a montré une forte polarisation des qubits de contact (valeurs proches de 0 ou 1), tandis que l'échantillonnage aléatoire restait proche de 0,5. Cela confirme que l'algorithme a appris des motifs d'interaction significatifs.
• Performance du post-traitement :
  • Pipeline de consensus : Lorsqu'il est amorcé avec des échantillons BF-DCQO, le pipeline atteint l'énergie de référence classique exacte dans 4 cas sur 6. En revanche, le consensus amorcé aléatoirement n'atteint la référence que dans 1 cas sur 6.
  • Réparation par échantillon : Cette méthode n'a pas réussi à préserver l'avantage quantique. En ré-optimisant les contacts à partir de zéro pour chaque échantillon, elle efface la structure « apprise par le quantique », résultant en des performances comparables aux amorces aléatoires.
• Limites de l'évolutivité : À 61 qubits (16 acides aminés), l'avantage a légèrement diminué car le seuil d'élagage ($\theta$) a dû être fixé de manière agressive pour maintenir le nombre de portes gérable (~1 000 portes d'intrication), affectant la qualité des résultats.

5. Signification et conclusion

• Validation du flux de travail hybride : L'article établit un flux de travail viable pour l'informatique quantique à court terme : le processeur quantique agit comme un échantillonneur structuré qui identifie des motifs d'interaction favorables (qubits de contact), tandis que les heuristiques classiques imposent des contraintes géométriques et assemblent la structure finale.
• Insight stratégique : Il souligne que pour des problèmes contraints comme le repliement des protéines, la valeur du matériel quantique ne réside pas dans la génération d'une solution unique parfaite, mais dans la fourniture d'informations statistiques structurées (biais) qui guident les solveurs classiques.
• Perspectives futures : Les auteurs suggèrent que les travaux futurs devraient se concentrer sur des conducteurs préservant les contraintes pour réduire la génération de squelettes invalides et sur des traitements séparés des champs de biais pour la géométrie par rapport aux qubits de contact afin de mieux refléter leurs rôles distincts.

En résumé, ce travail représente une étape importante en biologie computationnelle quantique, prouvant que l'optimisation contre-adiabatique sur un matériel à ions piégés à grande échelle peut surpasser l'échantillonnage aléatoire et, lorsqu'elle est couplée au bon post-traitement classique, résoudre des instances complexes de repliement de protéines qui étaient auparavant hors de portée.