⚛️ quantum physics

Bridging the NISQ and Fault-Tolerant Regimes: Generative-ML-Assisted Quantum Selected CI for Molecular Simulations

Cet article introduit un flux de travail hybride quantique-classique combinant l'initialisation LCNot-UCCSD et un modèle génératif basé sur une machine de Boltzmann restreinte (QSCI-RBM) pour simuler efficacement les énergies de liaison protéine-ligand sur du matériel quantique de taille intermédiaire bruyant, démontrant son efficacité sur des cibles médicamenteuses pertinentes pour l'industrie comme l'Amantadine et la protéase du SARS-CoV-2 avec des ressources de calcul réduites.

Auteurs originaux : Anurag K. S. V., Ashish Kumar Patra, Manas Mukherjee, Ruchika Bhat, Sai Shankar P., Rahul Maitra, Jaiganesh G

Publié 2026-06-30

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Anurag K. S. V., Ashish Kumar Patra, Manas Mukherjee, Ruchika Bhat, Sai Shankar P., Rahul Maitra, Jaiganesh G

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Trouver la clé parfaite dans un coffre-fort géant

Imaginez que vous essayiez de trouver la clé parfaite pour déverrouiller une porte spécifique (une molécule de médicament se liant à une protéine virale). Dans le monde de la chimie, cette « clé » est l'arrangement exact des électrons.

Le Problème : Trouver cet arrangement revient à chercher un grain de sable spécifique sur une plage qui s'agrandit chaque seconde. Les ordinateurs classiques (ceux que nous utilisons aujourd'hui) sont dépassés car le nombre de possibilités est trop immense.
La Promesse des Ordinateurs Quantiques : Les ordinateurs quantiques sont comme des lampes de poche magiques capables d'éclairer de nombreux grains de sable à la fois. Cependant, les ordinateurs quantiques actuels sont très « bruyants » (comme une lampe de poche qui vacille pendant une tempête), ce qui rend difficile la visualisation claire du bon grain de sable.
L'Objectif : Cet article présente une nouvelle méthode pour utiliser ces lampes de poche quantiques efficacement, même lorsqu'elles vacillent, et les prépare pour un avenir où elles seront parfaitement stables.

Les trois ingrédients principaux

Les chercheurs ont combiné trois outils puissants pour résoudre ce problème :

1. Le « Plan Intelligent » (LCNot-UCCSD)

Considérez l'ordinateur quantique comme un chantier de construction. Pour construire la bonne structure (l'état énergétique de la molécule), vous avez besoin d'un plan.

L'ancienne méthode : Les anciens plans étaient comme un manuel d'instructions massif de 10 000 pages qui prenait un temps infini à rédiger (coûteux en calcul).
La nouvelle méthode : Les auteurs ont utilisé un nouveau plan appelé LCNot-UCCSD. C'est comme un « résumé intelligent » qui réduit le manuel à seulement 100 pages. Il utilise un raccourci basé sur un calcul plus simple (MP2) pour atteindre 90 % du résultat instantanément, économisant ainsi une quantité massive de temps et d'efforts.

2. La « Lampe de poche bruyante » vs Le « Simulateur parfait »

L'équipe a testé sa méthode sur le Fujitsu FX700, qui est un simulateur extrêmement puissant.

L'analogie : Imaginez que vous essayez d'apprendre à jouer du piano. Vous pourriez vous entraîner sur un vrai piano cassé avec des touches collantes (les ordinateurs quantiques réels actuels), ou vous pourriez vous entraîner sur un piano numérique parfait qui simule exactement la façon dont la musique devrait sonner, sans aucune touche défectueuse.
Pourquoi ils ont fait cela : Les auteurs voulaient tester leur méthode dans un environnement « parfait » d'abord pour voir comment elle devrait fonctionner, puis ils ont intentionnellement ajouté du « bruit » (des touches cassées) à la simulation pour voir si leur méthode pouvait toujours trouver la bonne mélodie. Ils ont testé 14 niveaux différents de « défectuosité », du parfait au très chaotique.

3. L'« Assistant d'IA Générative » (QSCI-RBM)

C'est la plus grande innovation de l'article.

L'ancienne méthode (SQD) : Lorsque l'ordinateur quantique commet une erreur (un résultat « bruyant »), l'ancienne méthode essaie de corriger chaque erreur en devinant et en vérifiant. C'est comme un bibliothécaire essayant de réparer une étagère en désordre en replaçant manuellement chaque livre qui est tombé. À mesure que la bibliothèque s'agrandit, cela prend un temps infini.
La nouvelle méthode (QSCI-RBM) : Les auteurs ont ajouté une IA générative (une Machine de Boltzmann Restreinte). Au lieu de corriger chaque erreur, l'IA apprend le schéma des livres corrects.
- L'analogie : Imaginez que l'IA est un bibliothécaire super intelligent qui regarde les quelques livres corrects sur l'étagère, apprend l'« ambiance » de la section correcte, puis génère de nouveaux livres corrects pour combler les vides. Elle ne cherche pas à réparer les livres mal rangés ; elle crée simplement une liste compacte et parfaite des livres les plus importants nécessaires pour résoudre l'énigme.
- Le Résultat : Cela permet de garder la liste de livres (le « sous-espace ») petite et gérable, même lorsque la bibliothèque (la molécule) devient immense.

Ce qu'ils ont réellement fait (Les expériences)

L'équipe n'a pas seulement parlé de théorie ; elle a réalisé des simulations massives.

Le Petit Test : Ils ont commencé par 8 molécules simples (comme l'eau et le méthane) pour prouver que le nouveau « Plan Intelligent » et l'« Assistant IA » fonctionnent ensemble.
- Résultat : Même en ajoutant un fort « bruit » à la simulation, la méthode assistée par l'IA a trouvé la bonne réponse à chaque fois, tandis que l'ancienne méthode échouait à moins que le bruit ne soit parfaitement dosé.
Le Test d'Étirement : Ils ont simulé une molécule d'azote en train d'être étirée (comme un élastique que l'on tend jusqu'à ce qu'il casse). C'est un test très difficile pour les ordinateurs.
- Résultat : La nouvelle méthode est restée précise et fluide. L'ancienne méthode s'est emmêlée les pinceaux et a échoué, à moins qu'ils n'ajoutent artificiellement du bruit pour la faire « vibrer » afin qu'elle fonctionne.
Le Test en Conditions Réelles (Découverte de médicaments) : C'est le point culminant. Ils ont appliqué leur méthode à deux scénarios réels :
- Amantadine : Un médicament contre la grippe.
- Mpro–Carmofur : Une interaction complexe entre le virus SARS-CoV-2 (la protéase principale) et un médicament appelé Carmofur.
- Le Défi : Ces molécules sont trop grandes pour qu'un ordinateur quantique puisse les gérer d'un seul coup. Ils ont donc utilisé une technique appelée DMET (Théorie de l'Emploi de la Matrice de Densité).
- L'analogie : Imaginez que vous essayez de résoudre un puzzle géant représentant une ville entière. Au lieu de regarder toute la ville, vous la divisez en 10 ou 11 quartiers (fragments). Vous résolvez chaque quartier séparément, puis vous les assemblez.
- L'Échelle : Ils ont simulé ces « quartiers » en utilisant jusqu'à 176 qubits (l'équivalent d'un ordinateur quantique massif) dans un seul cadre de travail.
- Le Résultat : Leur nouvelle méthode (LCNot-UCCSD + IA) a réussi à calculer l'énergie de ces interactions médicament-cible avec une grande précision, en utilisant beaucoup moins de ressources de calcul que les méthodes précédentes.

Pourquoi cela importe (Selon l'article)

Efficacité : La nouvelle méthode est comme passer d'une calèche à un train à grande vitesse. Elle réduit considérablement le temps nécessaire pour préparer le « plan » de l'ordinateur quantique (passant de $O(N^6)$ à $O(N^4)$ ).
Évolutivité (Scalability) : L'« Assistant IA » (RBM) est la clé de l'évolutivité. À mesure que les molécules deviennent plus grandes, l'ancienne méthode nécessite d'examiner presque tout (100 % des possibilités). La nouvelle méthode n'a besoin d'examiner qu'un sous-ensemble petit et intelligent (25–30 %), ce qui rend possible la simulation de molécules médicamenteuses beaucoup plus grandes à l'avenir.
Pérennité (Future-Proofing) : Bien que les ordinateurs quantiques actuels soient bruyants, cette méthode fonctionne parfaitement dans une simulation « sans bruit » (représentant les futurs ordinateurs quantiques parfaits) et gère bien le bruit. Elle comble le fossé entre les machines désordonnées d'aujourd'hui et les machines parfaites de demain.

Résumé en une phrase

Les auteurs ont créé une nouvelle façon efficace d'utiliser les ordinateurs quantiques pour simuler la manière dont les médicaments se lient aux virus, en combinant un plan mathématique plus intelligent avec une IA générative qui maintient les calculs petits et précis, en testant avec succès cette méthode sur des cibles médicamenteuses complexes du monde réel comme la protéase du SARS-CoV-2.

Résumé Technique : Faire le pont entre les régimes NISQ et tolérants aux fautes via le QSCI assisté par l'apprentissage génératif (Generative-ML-Assisted QSCI)

1. Énoncé du problème

Le calcul précis des énergies de liaison pour les systèmes protéine-ligand est un goulot d'étrangle critique dans la découverte de médicaments. Les méthodes classiques sont confrontées à un compromis fondamental : la théorie de coupled-cluster de haute précision (CCSD(T)) évolue en $O(N_{orb}^7)$ , devenant intraitable pour les grands systèmes, tandis que la méthode Full Configuration Interaction (FCI) suit une croissance exponentielle. À l'inverse, la théorie de la fonctionnelle de la densité (DFT) est gérable, mais échoue souvent à capturer les phénomènes de structure électronique spécifiques qui régissent les interactions protéine-ligand.

L'informatique quantique offre une voie vers une précision de niveau FCI avec une mise à l'échelle polynomiale, mais le matériel actuel de l'ère NISQ (Noisy Intermediate-Scale Quantum) manque de la profondeur de cohérence requise pour les circuits profonds. De plus, les algorithmes quantiques basés sur l'échantillonnage existants, tels que le Quantum-Selected Configuration Interaction (QSCI) et le Sample-based Quantum Diagonalization (SQD), souffrent d'inefficacités structurelles :

QSCI repose sur la post-sélection, écartant les échantillons violant les symétries, ce qui conduit à un sous-espace parc selon les régimes de faible bruit, et à une convergence médiocre.
SQD utilise une récupération de configuration stochastique (CR) pour réparer les échantillons invalides, mais cela nécessite souvent de saturer l'intégralité de l'espace de Hilbert contraint par la symétrie pour atteindre la précision chimique, ce qui entraîne des coûts de diagonalisation classique prohibitifs.
Initialisation de l'ansatz : Les ansätze concurrents comme le Local Unitary Cluster Jastrow (LUCJ) nécessitent une initialisation CCSD en $O(N^6)$ , ce qui est extrêmement coûteux en termes de calcul pour les grands espaces actifs.

2. Méthodologie

Ce travail propose un flux de travail hybride quantique-classique exécuté sur le simulateur d'état vectoriel idéal Fujitsu FX700 en utilisant le Quantum Application Research Package (QARP). La méthodologie intègre trois innovations centrales :

A. L'ansatz LCNot-UCCSD

Les auteurs utilisent l'ansatz Linear Scaling CNOT Unitary Coupled Cluster Singles and Doubles (LCNot-UCCSD). Contrairement aux implémentations UCCSD standards qui évoluent en $O(N^5)$ en nombre de CNOT, le LCNot-UCCSD utilise des opérateurs basés sur l'excitation de qubits (QEB) pour évoluer en $O(N^4)$ .

Initialisation : Les paramètres sont initialisés en utilisant les amplitudes MP2 ( $O(N^4)$ ) plutôt que les amplitudes CCSD ( $O(N^6)$ ), réduisant ainsi considérablement le temps de prétraitement classique.
Indépendance vis-à-vis du matériel : Le circuit emploie des portes $R_y$ à triple contrôle ( $CCCR_y$ ) pour les doubles excitations. Sur le FX700, celles-ci sont simulées nativement comme des unitaires multi-qubits sans décomposition, évitant l'inflation de la profondeur associée à la transpilation vers des portes à 1 et 2 qubits.

B. QSCI-RBM : Expansion de sous-espace générative

Le papier introduit le QSCI-RBM, une variante qui remplace la récupération de configuration stochastique de SQD par une Machine de Boltzmann Restreinte (RBM).

Flux de travail : Le circuit quantique génère des chaînes de bits (bitstrings). Les échantillons valides (conservant le nombre de particules $N$ et le spin $S_z$ ) sont post-sélectionnés. Une RBM est entraînée sur ces échantillons valides pour apprendre la distribution de probabilité des déterminants dominants.
Expansion itérative : La RBM entraînée effectue un échantillonnage de Gibbs pour générer de nouvelles configurations valides au regard de la symétrie. Celles-ci sont fusionnées dans le sous-espace $S_{sub}$ , qui est ensuite diagonalisé classiquement à l'aide d'un solveur de Davidson.
Avantage : Contrairement à SQD, qui prolifère les configurations via des basculements d'orbitales uniques (saturant souvent l'espace de Hilbert), la RBM concentre l'échantillonnage sur le support de haute probabilité de la fonction d'onde, maintenant un sous-espace compact.

C. Théorie d'Emboîtement de la Matrice de Densité (DMET)

Pour traiter les grands systèmes moléculaires, le flux de travail est intégré dans la DMET. Le système est fragmenté en impuretés (par exemple, 10 fragments pour le complexe protéase de SARS-CoV-2, 11 pour l'Amantadine). Chaque impureté est résolue indépendamment avec le solveur quantique utilisant un espace actif de 4 HOMO – 4 LUMO (maximum 16 qubits par fragment), tandis que l'environnement est traité classiquement.

D. Analyse d'erreur contrôlée

Pour faire le pont entre les régimes NISQ et tolérants aux fautes, les auteurs balayent 14 niveaux d'erreur artificielle contrôlée ( $\sigma$ ). Une rotation aléatoire $R_y(\theta_i)$ est appliquée avant la mesure, où $\theta_i \sim N(0, \sigma^2)$ . Cela permet d'évaluer la robustesse algorithmique de la limite idéale de tolérance aux fautes ( $\sigma=0$ ) jusqu'aux conditions NISQ bruitées.

3. Résultats Clés

A. Benchmark STO-3G sur huit molécules

Évalué sur huit molécules (de H2 à N2) à travers 14 niveaux d'erreur :

Performance de SQD : À $\sigma=0$ (idéal), SQD ne parvient pas à atteindre la précision chimique pour les molécules plus grandes (erreurs allant jusqu'à 250 mHa) car le sous-espace post-sélectionné est trop creux. Il n'atteint la précision chimique qu'à des niveaux de bruit intermédiaires ou élevés ( $\sigma \ge 0.2$ à $2.0$), où il nécessite 72 à 100 % de la dimension de l'espace de Hilbert complet $|S|$ .
Performance de QSCI-RBM : Atteint la précision chimique ( $\le 1.59$ mHa) sur tous les 14 niveaux d'erreur pour toutes les molécules, y compris le cas idéal $\sigma=0$ .
Compacité du sous-espace : À $\sigma=0$ , QSCI-RBM atteint la précision chimique en utilisant seulement 25 à 27 % de l'espace de Hilbert pour CO et N2, contre environ 97–100 % pour SQD. Cela représente une réduction de 73–74 % du coût de diagonalisation classique.

B. Balayage de la surface d'énergie potentielle (PES) de N2

Dans la base cc-pVDZ avec un espace actif (4,4) :

Robustesse : SQD présente une instabilité et une divergence près de l'équilibre et lors de la dissociation de la liaison à faible bruit, nécessitant un bruit artificiel ( $\sigma=2.0$ ) pour régulariser la solution.
QSCI-RBM : Suit avec succès l'énergie de référence CASCI sur toute la PES à $\sigma=0$ , maintenant la précision chimique.
Mise à l'échelle adaptative : La RBM ajuste dynamiquement la couverture du sous-espace en fonction du caractère multiréférence (passant d'environ 31 % pour les géométries compressées à ~100 % lors de la dissociation), tandis que SQD impose une couverture rigide, proche de la totalité.

C. Applications aux médicaments-cibles (DMET)

Le flux de travail a été appliqué à l'Amantadine (11 fragments) et au complexe Protéase principale (Mpro)–Carmofur de SARS-CoV-2 (10 fragments) à travers les bases STO-3G, 6-31G et cc-pVDZ.

Amantadine : QSCI-RBM a atteint la précision chimique à $\sigma=0$ et $\sigma=0.01$ pour toutes les bases avec des couvertures de sous-espace ( $\eta_{sub}$ ) de 0.17–0.29. SQD nécessitait un bruit plus élevé ( $\sigma \ge 1.0$ ) et des sous-espaces plus larges ( $\eta_{sub} \approx 0.58–0.89$ ) pour converger.
Mpro–Carmofur : Ceci représente la première simulation quantique de ce complexe dans un cadre DMET-QSCI. QSCI-RBM a atteint la précision chimique pour la région active à $\sigma=0$ (STO-3G) et $\sigma=1.0$ (6-31G/cc-pVDZ).
Scalabilité : L'échelle effective a atteint ~160–176 qubits pour les régions actives (10–11 fragments). QSCI-RBM a systématiquement nécessité 8 à 17 % de couverture de sous-espace en moins que SQD aux points de fonctionnement optimaux, ce qui se traduit par des économies significatives de ressources de diagonalisation classique.

4. Signification et Revendications

Les auteurs affirment que ce travail représente plusieurs « premières » et des avancées critiques :

Premier déploiement : Il s'agit de la première utilisation de l'ansatz LCNot-UCCSD au sein d'un flux de travail QSCI sur un simulateur quantique, et de la première application de DMET-QSCI(LCNot-UCCSD)-RBM à un système protéine-ligand d'importance industrielle (Mpro–Carmofur).
Pont entre les régimes : L'étude démontre un cadre unifié qui fonctionne efficacement depuis le régime bruité actuel jusqu'à la limite future de tolérance aux fautes. Crucialement, elle montre que QSCI-RBM excelle dans le régime tolérant aux fautes (faible bruit) là où SQD échoue en raison de la parcimonie du sous-espace, tandis que SQD n'est robuste que dans les régimes de fort bruit, où il devient coûteux en calcul.
Efficacité : En remplaçant l'initialisation CCSD en $O(N^6)$ par une initialisation MP2 en $O(N^4)$ et en utilisant la RBM pour compresser le sous-espace de diagonalisation de 36 à 74 %, l'approche offre une voie plus économique vers les calculs de structure électronique corrélée pour la découverte de médicaments.
Pertinence matérielle : Le travail valide que l'ansatz LCNot-UCCSD, avec sa structure de porte multi-qubits native, est bien adapté au futur matériel d'atomes neutres (Rydberg), sous réserve d'une amélioration des taux d'erreur des portes.

Le papier conclut qu'en utilisant une fraction des ressources classiques requises par les travaux de pointe de Cleveland Clinic, RIKEN et IBM, ce flux de travail hybride permet des simulations de découverte de médicaments plus efficaces et plus évolutives.