Resource efficient Sample Based Quantum Simulation through Fragmentation and Virtual Partitioning of QPU
Cet article introduit FMO-QVM-HCI-HSQD, un cadre efficace en ressources qui combine la fragmentation moléculaire, le partitionnement virtuel de QPU et un ansatz à demi-qubit pour réduire considérablement la profondeur du circuit et le temps d'exécution, permettant ainsi une simulation quantique par échantillonnage précise de systèmes chimiquement pertinents sur le matériel actuel.
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
Imaginez essayer de comprendre comment une machine complexe fonctionne en la démontant, en étudiant chaque petite pièce isolément, puis en réassemblant soigneusement les connaissances pour comprendre l'ensemble. C'est l'essence même de la simulation moléculaire moderne, un domaine où les scientifiques tentent de prédire comment les atomes et les molécules se comportent afin de concevoir de nouveaux médicaments et matériaux. Pendant des décennies, les ordinateurs classiques ont lutté face à cette tâche car les règles régissant les électrons sont incroyablement complexes, nécessitant une puissance de calcul immense pour être résolues avec précision. Les ordinateurs quantiques, qui utilisent les lois étranges de la physique régissant le monde subatomique, promettent de résoudre ces problèmes naturellement. Cependant, les machines quantiques actuelles sont encore petites et sujettes aux erreurs, ce qui rend difficile l'exécution des calculs massifs nécessaires pour les molécules du monde réel. Le défi a été de trouver un moyen d'utiliser ces dispositifs fragiles et précoces pour s'attaquer à de grands systèmes chimiquement pertinents sans se perdre dans le bruit ou attendre des décennies pour les résultats.
Une équipe de chercheurs a développé une nouvelle approche qui combine trois stratégies distinctes pour rendre cela possible. Ils appellent leur méthode FMO-QVM-HCI-HSQD, un cadre conçu pour décomposer un grand problème moléculaire en morceaux gérables, exécuter ces morceaux simultanément sur un seul processeur quantique, et utiliser une façon simplifiée de recueillir les données pour réduire la charge sur le matériel. La première partie de leur stratégie repose sur la fragmentation. Au lieu d'essayer de simuler une entière grande molécule à la fois, ce qui nécessiterait plus de bits quantiques que ceux existants actuellement, ils divisent la molécule en petits blocs indépendants. Ils traitent chaque bloc, ou fragment, comme son propre petit problème, calculant son énergie tout en tenant compte de l'influence électrique des parties environnantes. Cela leur permet de résoudre de nombreux petits problèmes plutôt qu'un seul géant impossible.
La deuxième innovation traite de la manière dont ces petits problèmes sont exécutés sur l'ordinateur quantique. Habituellement, un processeur quantique est traité comme une unité unique où un seul programme s'exécute à la fois. Les chercheurs ont plutôt utilisé une technique appelée machine virtuelle quantique, qui divise le processeur physique en plusieurs régions indépendantes. Cela permet à plusieurs calculs de fragments différents de s'exécuter simultanément sur différentes parties de la même puce. En faisant cela, ils évitent les longs temps d'attente qui surviennent lorsque les tâches sont mises en file d'attente les unes après les autres, transformant efficacement un seul ordinateur quantique en une petite usine où de nombreux produits sont fabriqués simultanément. La troisième partie de leur méthode implique un raccourci astucieux dans la façon dont ils recueillent l'information. Au lieu d'utiliser l'ensemble complet de bits quantiques requis pour décrire chaque état possible des électrons, ils utilisent une approche par « demi-qubit » qui se concentre uniquement sur un côté du spin de l'électron. Cela réduit de moitié le nombre de bits requis et raccourcit considérablement la profondeur du circuit, c'est-à-dire la longueur de la séquence d'opérations que l'ordinateur doit effectuer. Des circuits plus courts sont moins susceptibles d'être corrompus par le bruit qui affecte les dispositifs quantiques actuels.
Pour tester si cette combinaison d'idées fonctionnait réellement, l'équipe a mené des expériences sur deux systèmes très différents en utilisant du matériel quantique réel d'IBM. Le premier système était un trimère d'eau, un groupe de trois molécules d'eau maintenues ensemble par des liaisons hydrogène. Le second était un système biologique plus complexe : une molécule de médicament, le carmofur, liée à une protéine cible du virus SARS-CoV-2, qui est une cible clé pour le développement de médicaments antiviraux. Dans ces expériences, ils ont comparé leur nouvelle méthode aux méthodes plus anciennes et plus traditionnelles d'exécution de ces simulations. Pour le trimère d'eau, ils ont constaté que leur approche réduisait le temps d'occupation de l'ordinateur quantique de 82 % par rapport à une exécution des fragments un par un. Elle a également réduit la complexité du calcul de près de 40 %. Plus important encore, les résultats étaient hautement précis, égalant la précision de calculs classiques beaucoup plus coûteux, tout en utilisant une infime fraction de l'espace de données possible.
Les résultats pour le complexe médicament-protéine étaient encore plus révélateurs. Dans la configuration standard, la simulation de cette molécule nécessitait un circuit quantique profond et complexe, ce qui rendait difficile l'obtention de résultats fiables. En utilisant leur approche fragmentée, parallèle et simplifiée, les chercheurs ont réduit la profondeur du circuit de 47 % et réduit le temps sur le processeur quantique de 20 %. Ils ont atteint la précision chimique, qui est la norme de référence pour prédire comment les molécules interagissent, tout en accédant à moins d'un centième de pour cent des combinaisons de données possibles qu'une méthode traditionnelle devrait explorer. Cela suggère que la méthode est non seulement plus rapide, mais aussi plus efficace pour trouver les bonnes réponses sans s'enliser dans des calculs inutiles.
Les chercheurs ont ensuite repoussé les limites plus loin en simulant le complexe médicament-protéine avec un modèle d'électrons encore plus grand et plus détaillé, une configuration qui nécessitait jusqu'à 52 bits quantiques. Il s'agit d'une taille significative pour le matériel actuel, pourtant leur méthode a réussi à accomplir la tâche. L'énergie totale calculée pour la molécule ne s'écartait de la meilleure estimation classique disponible que d'une marge infime, bien en deçà de la plage considérée comme précise pour la découverte de médicaments. Cela a démontré que le cadre pouvait gérer des systèmes bien plus grands que ce qui pouvait être simulé à l'aide des méthodes précédentes sur le même matériel. L'équipe a noté que, bien que la méthode soit puissante, elle n'est pas un remède miracle ; elle dépend de la qualité spécifique du processeur quantique et de la manière dont les fragments sont mappés sur le matériel. Si le matériel est trop bruyant ou si les fragments sont trop grands pour tenir dans les régions disponibles, les bénéfices diminuent.
En fin de compte, ce travail montre qu'en décomposant les problèmes, en les exécutant en parallèle et en simplifiant la collecte de données, il est possible d'utiliser les ordinateurs quantiques imparfaits d'aujourd'hui pour étudier des molécules pertinentes pour la chimie et la médecine du monde réel. Les chercheurs n'ont pas prétendu avoir résolu tous les problèmes de la simulation quantique, mais ils ont tracé une voie claire pour l'avenir. Leurs résultats suggèrent que la combinaison de la fragmentation, du partitionnement virtuel du processeur et de l'échantillonnage par demi-qubit rend possible la simulation de systèmes chimiquement pertinents sur le matériel actuel. C'est une étape importante vers le jour où les ordinateurs quantiques pourront régulièrement aider à concevoir de nouveaux médicaments et à comprendre des matériaux complexes, transformant ce qui était autrefois une possibilité théorique en un outil pratique pour les scientifiques.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.