⚛️ quantum physics

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

यह शोध पत्र एक हाइब्रिड क्वांटम-क्लासिकल वर्कफ़्लो पेश करता है जो LCNot-UCCSD इनिशियलाइज़ेशन और एक रिस्ट्रिक्टेड बोल्ट्ज़मैन मशीन-आधारित जनरेटिव मॉडल (QSCI-RBM) को संयोजित करता है ताकि शोर वाले इंटरमीडिएट-स्केल क्वांटम हार्डवेयर पर प्रोटीन-लिगैंड बाइंडिंग ऊर्जाओं का कुशलतापूर्वक अनुकरण किया जा सके, जो अमानटाडाइन और SARS-CoV-2 प्रोटीज जैसे उद्योग-प्रासंगिक ड्रग लक्ष्यों पर कम कम्प्यूटेशनल संसाधनों के साथ इसकी प्रभावकारिता को प्रदर्शित करता है।

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

प्रकाशित 2026-06-30

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

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

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ सरल भाषा और रचनात्मक उपमाओं का उपयोग करके शोध पत्र (paper) की व्याख्या दी गई है।

बड़ी तस्वीर: एक विशाल लॉकबॉक्स में सही चाबी ढूँढना

कल्पना कीजिए कि आप एक विशिष्ट दरवाजे को खोलने के लिए सही चाबी खोजने की कोशिश कर रहे हैं (एक वायरस प्रोटीन से ड्रग मॉलिक्यूल का जुड़ना)। रसायन विज्ञान की दुनिया में, यह "चाबी" इलेक्ट्रॉनों की सटीक व्यवस्था है।

समस्या: इस व्यवस्था को खोजना एक ऐसे समुद्र तट पर रेत के एक विशिष्ट कण को खोजने जैसा है जो हर सेकंड बड़ा होता जा रहा है। क्लासिकल कंप्यूटर (जो हम आज उपयोग करते हैं) बहुत अधिक बोझिल हो जाते हैं क्योंकि संभावनाओं की संख्या बहुत अधिक होती है।
क्वांटम कंप्यूटरों का वादा: क्वांटम कंप्यूटर उन जादुई फ्लैशलाइट्स (टॉर्च) की तरह हैं जो एक साथ कई रेत के कणों पर रोशनी डाल सकते हैं। हालाँकि, वर्तमान क्वांटम कंप्यूटर बहुत "नॉइज़ी" (शोर वाले) हैं (जैसे तूफान में टिमटिमाती हुई फ्लैशलाइट), जिससे सही कण को स्पष्ट रूप से देखना कठिन हो जाता है।
लक्ष्य: यह शोध पत्र इन क्वांटम फ्लैशलाइट्स का प्रभावी ढंग से उपयोग करने का एक नया तरीका प्रस्तुत करता है, भले ही वे टिमटिमा रही हों, और उन्हें एक ऐसे भविष्य के लिए तैयार करता है जहाँ वे पूरी तरह से स्थिर होंगी।

तीन मुख्य सामग्रियाँ

शोधकर्ताओं ने इस समस्या को हल करने के लिए तीन शक्तिशाली उपकरणों को मिलाया है:

1. "स्मार्ट ब्लूप्रिंट" (LCNot-UCCSD)

क्वांटम कंप्यूटर को एक निर्माण स्थल (construction site) के रूप में सोचें। सही संरचना (मॉलिक्यूल की ऊर्जा अवस्था) बनाने के लिए, आपको एक ब्लूप्रिंट की आवश्यकता होती है।

पुराना तरीका: पुराने ब्लूप्रिंट एक विशाल, 10,000 पन्नों के निर्देश मैनुअल की तरह थे जिन्हें लिखने में बहुत समय लगता था (कंप्यूटेशनल रूप से महंगा)।
नया तरीका: लेखकों ने LCNot-UCCSD नामक एक नया ब्लूप्रिंट इस्तेमाल किया है। यह एक "स्मार्ट सारांश" की तरह है जो मैनुअल को केवल 100 पन्नों तक कम कर देता है। यह एक सरल गणना (MP2) पर आधारित शॉर्टकट का उपयोग करता है ताकि तुरंत 90% तक पहुँच प्राप्त की जा सके, जिससे समय और प्रयास की भारी बचत होती है।

2. "नॉइज़ी फ्लैशलाइट" बनाम "परफेक्ट सिम्युलेटर"

टीम ने अपने तरीके का परीक्षण Fujitsu FX700 पर किया, जो एक अत्यंत शक्तिशाली सिम्युलेटर है।

उपमा: कल्पना कीजिए कि आप पियानो बजाना सीखने की कोशिश कर रहे हैं। आप या तो एक असली, टूटे हुए पियानो पर अभ्यास कर सकते हैं जिसमें चाबियाँ चिपचिपी हैं (वर्तमान वास्तविक क्वांटम कंप्यूटर), या आप एक परफेक्ट, डिजिटल पियानो पर अभ्यास कर सकते जो बिल्कुल वैसा ही संगीत सुनाता है जैसा उसे सुनाई देना चाहिए, बिना किसी टूटी हुई की (key) के।
उन्होंने यह क्यों किया: लेखक पहले यह देखना चाहते थे कि उनका तरीका एक "परफेक्ट" वातावरण में कैसे काम करना चाहिए, और फिर उन्होंने जानबूझकर उसमें "नॉइज़" (टूटी हुई चाबियाँ) डाली ताकि देख सकें कि क्या उनका तरीका अभी भी सही धुन खोज सकता है। उन्होंने "टूटेपन" के 14 अलग-अलग स्तरों का परीक्षण किया, जो पूर्ण (perfect) से लेकर बहुत अराजक (chaotic) तक थे।

3. "जेनेरेटिव एआई असिस्टेंट" (QSCI-RBM)

यही इस शोध पत्र का सबसे बड़ा नवाचार है।

पुराना तरीका (SQD): जब क्वांटम कंप्यूटर गलती करता है (एक "नॉइज़ी" परिणाम), तो पुराना तरीका अनुमान लगाकर और बार-बार जाँच करके हर एक गलती को ठीक करने की कोशिश करता है। यह एक लाइब्रेरियन की तरह है जो एक बिखरी हुई बुकशेल्फ़ को ठीक करने के लिए हर उस किताब को मैन्युअल रूप से वापस रखने की कोशिश कर रहा है जो गिर गई है। जैसे-जैसे लाइब्रेरी बड़ी होती है, इसमें बहुत समय लगता है।
नया तरीका (QSCI-RBM): लेखकों ने एक जेनेरेटिव एआई (एक Restricted Boltzmann Machine) जोड़ा है। हर गलती को ठीक करने के बजाय, एआई सही किताबों के पैटर्न को सीखता है।
- उपमा: कल्पना कीजिए कि एआई एक सुपर-स्मार्ट लाइब्रेरियन है जो शेल्फ पर मौजूद कुछ सही किताबों को देखता है, सही सेक्शन के "वाइब" (vibe) को समझता है, और फिर खाली जगहों को भरने के लिए नई, सही किताबें जनरेट करता है। वह बिखरी हुई किताबों को ठीक करने की कोशिश नहीं करता; वह बस पहेली को सुलझाने के लिए आवश्यक सबसे महत्वपूर्ण किताबों की एक संक्षिप्त, परफेक्ट सूची बना लेता है।
- परिणाम: यह सूची (जिसे "सबस्पेस" कहा जाता है) को छोटा और प्रबंधनीय रखता है, भले ही लाइब्रेरी (मॉलिक्यूल) कितनी भी बड़ी क्यों न हो जाए।

उन्होंने वास्तव में क्या किया (प्रयोग)

टीम ने केवल सिद्धांत की बात नहीं की; उन्होंने बड़े पैमाने पर सिमुलेशन चलाए।

छोटा परीक्षण: उन्होंने यह साबित करने के लिए कि नया "स्मार्ट ब्लूप्रिंट" और "एआई असिस्टेंट" एक साथ काम करते हैं, 8 सरल अणुओं (जैसे पानी और मीथेन) के साथ शुरुआत की।
- परिणाम: भारी "नॉइज़" जोड़ने के बाद भी, एआई-असिस्टेड तरीके ने हर बार सही उत्तर खोजा, जबकि पुराना तरीका विफल हो गया जब तक कि नॉइज़ बिल्कुल सही न हो।
स्ट्रेच टेस्ट: उन्होंने एक नाइट्रोजन अणु को खींचकर अलग होते हुए सिम्युलेट किया (जैसे एक रबर बैंड को खींचना जब तक कि वह टूट न जाए)। यह कंप्यूटर के लिए एक बहुत कठिन परीक्षण है।
- परिणाम: नया तरीका सटीक और सुचारू रहा। पुराना तरीका भ्रमित हो गया और टूट गया, जब तक कि उन्होंने इसे काम करने के लिए कृत्रिम रूप से नॉइज़ जोड़कर "जiggle" (हिलाया) नहीं किया।
रियल-वर्ल्ड टेस्ट (ड्रग डिस्कवरी): यह सबसे महत्वपूर्ण हिस्सा है। उन्होंने अपने तरीके को दो वास्तविक परिदृश्यों पर लागू किया:
- Amantadine: एक फ्लू ड्रग।
- Mpro–Carmofur: SARS-CoV-2 वायरस (मुख्य प्रोटीज) और Carmofur नामक ड्रग के बीच एक जटिल संपर्क।
- चुनौती: ये अणु इतने बड़े हैं कि क्वांटम कंप्यूटर एक साथ पूरे मॉलिक्यूल को हैंडल नहीं कर सकता। इसलिए, उन्होंने DMET (डेंसिटी मैट्रिक्स एम्बेडिंग थ्योरी) नामक तकनीक का उपयोग किया।
- उपमा: एक पूरे शहर के विशाल जिग्सॉ पहेली (jigsaw puzzle) को हल करने की कोशिश करने की कल्पना करें। पूरे शहर को देखने के बजाय, आप इसे 10 या 11 मोहल्लों (fragments) में तोड़ देते हैं। आप प्रत्येक मोहल्ले को अलग से हल करते हैं और फिर उन्हें आपस में जोड़ देते हैं।
- पैमाना: उन्होंने इन "मोहल्लों" को एक ही फ्रेमवर्क में उपयोग करके 176 क्यूबिट्स (एक विशाल क्वांटम कंप्यूटर के बराबर) तक सिम्युलेट किया।
- परिणाम: उनके नए तरीके (LCNot-UCCSD + AI) ने उच्च सटीकता के साथ इन ड्रग-टारगेट इंटरैक्शन की ऊर्जा की गणना सफलतापूर्वक की, जिसमें पिछले तरीकों की तुलना में बहुत कम कंप्यूटेशनल संसाधनों का उपयोग हुआ।

यह क्यों महत्वपूर्ण है (शोध पत्र के अनुसार)

दक्षता (Efficiency): नया तरीका घोड़े वाली गाड़ी से हाई-स्पीड ट्रेन में स्विच करने जैसा है। यह क्वांटम कंप्यूटर के "ब्लूप्रिंट" को तैयार करने में लगने वाले समय को बहुत बड़े अंतर से कम कर देता है ( $O(N^6)$ से $O(N^4)$ तक)।
स्केलेबिलिटी (Scalability): "एआई असिस्टेंट" (RBM) स्केलिंग के लिए कुंजी है। जैसे-जैसे अणु बड़े होते हैं, पुराने तरीके को लगभग सब कुछ (100% संभावनाओं) को देखने की आवश्यकता होती है। नया तरीका केवल एक छोटे, स्मार्ट सबसेट (25–30%) को देखने की आवश्यकता रखता है, जिससे भविष्य में बड़े ड्रग मॉलिक्यूल्स को सिम्युलेट करना संभव हो जाता है।
फ्यूचर-प्रूफिंग: हालांकि वर्तमान क्वांटम कंप्यूटर "नॉइज़ी" हैं, यह तरीका एक "नॉइज़-फ्री" सिमुलेशन (जो भविष्य के, परफेक्ट क्वांटम कंप्यूटरों का प्रतिनिधित्व करता है) में पूरी तरह से काम करता है और नॉइज़ को भी अच्छी तरह से संभालता है। यह आज की अव्यवस्थित मशीनों और कल के परफेक्ट मशीनों के बीच के अंतर को पाटता है।

एक वाक्य में सारांश

लेखकों ने एक स्मार्ट गणितीय ब्लूप्रिंट और एक जेनेरेटिव एआई को मिलाकर क्वांटम कंप्यूटरों का उपयोग करके दवाओं के वायरस से जुड़ने के तरीके को सिम्युलेट करने का एक नया, कुशल तरीका बनाया है, जिसे उन्होंने SARS-CoV-2 प्रोटीज जैसे जटिल वास्तविक दुनिया के ड्रग टारगेट्स पर सफलतापूर्वक परखा है।

तकनीकी सारांश: जेनेरेटिव-एमएल-असिस्टेड QSCI के माध्यम से NISQ और फॉल्ट-टोलरेंट रिजीमों को जोड़ना

1. समस्या विवरण

प्रोटीन-लिगैंड प्रणालियों के लिए बाइंडिंग ऊर्जा की सटीक गणना करना ड्रग डिस्कवरी में एक महत्वपूर्ण बाधा है। क्लासिकल तरीके एक मौलिक ट्रेड-ऑफ का सामना करते हैं: उच्च-सटीक कपल्ड-क्लस्टर थ्योरी (CCSD(T)) $O(N_{orb}^7)$ के रूप में स्केल करती है, जो बड़े सिस्टम के लिए अव्यवहार्य हो जाती है, जबकि फुल कॉन्फ़िगरेशन इंटरैक्शन (FCI) घातांकीय (exponentially) रूप से स्केल करता है। इसके विपरीत, डेंसिटी फंक्शनल थ्योरी (DFT) सुलभ है लेकिन अक्सर उन विशिष्ट इलेक्ट्रॉनिक संरचना घटनाओं को पकड़ने में विफल रहती है जो प्रोटीन-लिगैंड इंटरैक्शन को नियंत्रित करती हैं।

क्वांटम कंप्यूटिंग पॉलीनोमियल स्केलिंग के साथ FCI-स्तर की सटीकता का मार्ग प्रदान करता है, लेकिन वर्तमान नोइज़ी इंटरमीडिएट-स्केल क्वांटम (NISQ) हार्डवेयर आवश्यक कोहेरेंस डेप्थ की कमी रखता है। इसके अलावा, मौजूदा सैंपलिंग-आधारित क्वांटम एल्गोरिदम जैसे क्वांटम-सिलेक्टेड कॉन्फ़िगरेशन इंटरैक्शन (QSCI) और सैंपल-बेस्ड क्वांटम डायगोनलाइजेशन (SQD) संरचनात्मक अक्षमताओं से ग्रस्त हैं:

QSCI पोस्ट-सिलेक्शन पर निर्भर करता है, जो सिमेट्री-वायलेटिंग सैंपल्स को हटा देता है, जिससे कम-नॉइज़ वाले रिजीम में स्पार्स सबस्पेस (sparse subspace) बनता है और अभिसरण (convergence) खराब होता है।
SQD दोषपूर्ण सैंपल्स को ठीक करने के लिए स्टोकेस्टिक कॉन्फ़िगरेशन रिकवरी (CR) का उपयोग करता है, लेकिन रासायनिक सटीकता प्राप्त करने के लिए इसे अक्सर पूरे सिमेट्री-कंस्ट्रेंड हिल्बर्ट स्पेस को संतृप्त (saturate) करने की आवश्यकता होती है, जिसके परिणामस्वरूप अत्यधिक क्लासिकल डायगोनलाइजेशन लागत आती है।
एन्सेट्स इनिशियलाइजेशन (Ansatz Initialization): प्रतिस्पर्धी एन्सेट्स जैसे लोकल यूनिटरी क्लस्टर जैस्ट्रो (LUCJ) को $O(N^6)$ CCSD इनिशियलाइजेशन की आवश्यकता होती है, जो बड़े एक्टिव स्पेस के लिए अत्यधिक गणनात्मक रूप से महंगा है।

2. कार्यप्रणाली (Methodology)

यह कार्य एक हाइब्रिड क्वांटम-क्लासिकल वर्कफ़्लो का प्रस्ताव करता है जिसे Fujitsu FX700 आइडियल स्टेट-वेक्टर सिम्युलेटर पर क्वांटम एप्लीकेशन रिसर्च पैकेज (QARP) का उपयोग करके निष्पादित किया गया है। कार्यप्रणाली तीन मुख्य नवाचारों को एकीकृत करती है:

A. LCNot-UCCSD एन्सेट

लेखक लिनियर स्केलिंग CNOT यूनिटरी कपल्ड क्लस्टर सिंगल्स एंड डबल्स (LCNot-UCCSD) एन्सेट का उपयोग करते हैं। मानक UCCSD कार्यान्वयन के विपरीत, जो $O(N^5)$ CNOT काउंट के रूप में स्केल करता है, LCNot-UCCSD क्वबिट-एक्साइटेशन-बेस्ड (QEB) ऑपरेटर्स का उपयोग करता है जो $O(N^4)$ के रूप में स्केल करता है।

इनिशियलाइजेशन: पैरामीटर्स को MP2 एम्प्लीट्यूड ( $O(N^4)$ ) का उपयोग करके इनिशियलाइज़ किया जाता है, न कि CCSD एम्प्लीट्यूड ( $O(N^6)$ ) का, जो क्लासिकल प्रीप्रोसेसिंग समय को काफी कम कर देता है।
हार्डवेयर एगोस्टिकिज्म: सर्किट डबल एक्साइटेशन के लिए ट्रिपलली कंट्रोल्ड $R_y$ गेट्स ( $CCCR_y$ ) का उपयोग करता है। FX700 पर, इन्हें ट्रांसपाइलेशन के माध्यम से 1- और 2-क्विबिट गेट्स में डिकम्पोज़ किए बिना, नेटिवली मल्टी-क्विबिट यूनिटरीज के रूप में सिम्युलेट किया जाता है।

B. QSCI-RBM: जेनेरेटिव सबस्पेस एक्सपेंशन

यह पेपर QSCI-RBM पेश करता है, जो SQD के स्टोकेस्टिक कॉन्फ़िगरेशन रिकवरी के स्थान पर एक रिस्ट्रिक्टेड बोल्ट्ज़मैन मशीन (RBM) का उपयोग करता है।

वर्कफ़्लो: क्वांटम सर्किट बिटस्ट्रिंग्स जेनरेट करता है। वैध सैंपल्स (जो पार्टिकल नंबर $N$ और स्पिन $S_z$ को संरक्षित करते हैं) को पोस्ट-सेलेक्ट किया जाता है। एक RBM को इन वैध सैंपल्स पर प्रशिक्षित किया जाता है ताकि डोमिनेंट डिटरमिनेंट्स के प्रोबेबिलिटी डिस्ट्रीब्यूशन को सीखा जा सके।
इटरेटिव एक्सपेंशन: प्रशिक्षित RBM नए, सिमेट्री-वैलिड कॉन्फ़िगरेशन जेनरेट करने के लिए गिब्स सैंपलिंग करता है। इन्हें सबस्पेस $S_{sub}$ में मर्ज किया जाता है, जिसे फिर डेविसन सॉल्वर का उपयोग करके क्लासिकली डायगोनलाइज किया जाता है।
लाभ: SQD के विपरीत, जो सिंगल-ऑर्बिटल फ्लिप्स के माध्यम से कॉन्फ़िगरेशन को बढ़ाता है (जो अक्सर हिल्बर्ट स्पेस को संतृप्त कर देता है), RBM वेवफंक्शन के हाई-प्रोबेबिलिटी सपोर्ट पर सैंपलिंग को केंद्रित करता है, जिससे एक कॉम्पैक्ट सबस्पेस बना रहता है।

C. डेंसिटी मैट्रिक्स एम्बेडिंग थ्योरी (DMET)

बड़े आणविक सिस्टमों को संबोधित करने के लिए, वर्कफ़्लो को DMET के भीतर एम्बेड किया गया है। सिस्टम को इम्प्योरिटीज (जैसे SARS-CoV-2 प्रोटीज कॉम्प्लेक्स के लिए 10 फ्रैगमेंट, अमाटाडाइन के लिए 11) में विभाजित किया गया है। प्रत्येक इम्प्योरिटी को क्वांटम सॉल्वर के साथ एक 4 HOMO–4 LUMO एक्टिव स्पेस (अधिकतम 16 क्विबिट प्रति फ्रैगमेंट) का उपयोग करके स्वतंत्र रूप से हल किया जाता है, जबकि एनवायरनमेंट को क्लासिकली ट्रीट किया जाता है।

D. कंट्रोल्ड एरर एनालिसिस

NISQ और फॉल्ट-टोलरेंट रिजीमों के बीच के अंतर को पाटने के लिए, लेखक 14 स्तरों के कंट्रोल्ड आर्टिफिशियल एरर ( $\sigma$ ) का उपयोग करते हैं। मेजरमेंट से पहले एक रैंडम रोटेशन $R_y(\theta_i)$ लागू किया जाता है, जहाँ $\theta_i \sim N(0, \sigma^2)$ । यह आइडियल फॉल्ट-टोलरेंट लिमिट ( $\sigma=0$ ) से लेकर नॉइज़ी NISQ स्थितियों तक एल्गोरिदम की मजबूती का मूल्यांकन करने की अनुमति देता है।

3. मुख्य परिणाम

A. आठ-मॉलिक्यूल STO-3G बेंचमार्क

आठ अणुओं (H2 से N2 तक) पर 14 एरर लेवल्स में मूल्यांकन किया गया:

SQD प्रदर्शन: $\sigma=0$ (आइडियल) पर, SQD बड़े अणुओं के लिए रासायनिक सटीकता प्राप्त करने में विफल रहता है (त्रुटि 270 mHa तक), क्योंकि पोस्ट-सेलेक्टेड सबस्पेस बहुत स्पार्स है। यह केवल मध्यम-से-उच्च शोर स्तरों ( $\sigma \ge 0.2$ से $2.0 $) पर रासायनिक सटीकता तक पहुँचता है, जहाँ इसे पूर्ण हिल्बर्ट स्पेस आयाम$ |S|$ के 72–100% की आवश्यकता होती है।
QSCI-RBM प्रदर्शन: सभी 14 एरर लेवल्स और सभी अणुओं के लिए रासायनिक सटीकता ( $\le 1.59$ mHa) प्राप्त करता है, जिसमें $\sigma=0$ का आइडियल केस भी शामिल है।
सबस्पेस कॉम्पैक्टनेस: $\sigma=0$ पर, QSCI-RBM CO और N2 के लिए हिल्बर्ट स्पेस के केवल 25–27% का उपयोग करके रासायनिक सटीकता प्राप्त करता है, जबकि SQD को ~97–100% की आवश्यकता होती है। यह क्लासिकल डायगोनलाइजेशन लागत में 73–74% की कमी का प्रतिनिधित्व करता है।

B. N2 पोटेंशियल एनर्जी सरफेस (PES) स्कैन

cc-pVDZ बेसिस में (4,4) एक्टिव स्पेस के साथ:

रोबस्टनेस: SQD लो-नॉइज के दौरान इक्विलिब्रियम के पास और बॉन्ड डिसोसिएशन के दौरान अस्थिरता और विचलन प्रदर्शित करता है, जिसे नियमित करने के लिए कृत्रिम शोर ( $\sigma=2.0$ ) की आवश्यकता होती है।
QSCI-RBM: पूरे PES पर CASCI रेफरेंस एनर्जी को ट्रैक करने में सफल रहता है, $\sigma=0$ पर रासायनिक सटीकता बनाए रखता है।
एडाप्टिव स्केलिंग: RBM मल्टी-रेफरेंस कैरेक्टर (कंप्रेस्ड ज्योमेट्री में ~31% से लेकर डिसोसिएशन पर ~100% तक) के आधार पर सबस्पेस कवरेज को गतिशील रूप से एडजस्ट करता है, जबकि SQD एक कठोर, लगभग-फुल कवरेज लागू करता है।

C. ड्रग-टारगेट एप्लीकेशंस (DMET)

वर्कफ़्लो को अमाटाडाइन (11 फ्रैगमेंट) और SARS-CoV-2 मेन प्रोटीज (Mpro)–कार्मोफर कॉम्प्लेक्स (10 फ्रैगमेंट) पर STO-3G, 6-31G, और cc-pVDZ बेसिस सेट्स के माध्यम से लागू किया गया।

अमाटाडाइन: QSCI-RBM ने सभी बेसिस सेट्स में $\sigma=0$ और $\sigma=0.01$ पर रासायनिक सटीकता प्राप्त की, जिसमें सबस्पेस कवरेज ( $\eta_{sub}$ ) 0.17–0.29 था। SQD को कन्वर्ज होने के लिए उच्च शोर ( $\sigma \ge 1.0$ ) और बड़े सबस्पेस ( $\eta_{sub} \approx 0.58–0.89$ ) की आवश्यकता थी।
Mpro–Carmofur: यह DMET-QSCI फ्रेमवर्क के भीतर इस कॉम्प्लेक्स का पहला क्वांटम सिमुलेशन है। QSCI-RBM ने $\sigma=0$ (STO-3G) और $\sigma=1.0$ (6-31G/cc-pVDZ) के लिए एक्टिव रीजन में रासायनिक सटीकता प्राप्त की।
स्केलेबिलिटी: प्रभावी स्केल सक्रिय क्षेत्रों (10–11 फ्रैगमेंट) के लिए ~160–176 क्विबिट तक पहुँचा। QSCI-RBM ने अनुकूल ऑपरेटिंग पॉइंट्स पर SQD की तुलना में लगातार 8–17% कम सबस्पेस कवरेज की आवश्यकता दिखाई, जो क्लासिकल डायगोनलाइजेशन संसाधनों की महत्वपूर्ण बचत को दर्शाता है।

4. महत्व और दावे

लेखक दावा करते हैं कि यह कार्य कई "प्रथम" (firsts) और महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है:

प्रथम परिनियोजन (First Deployment): यह एक क्वांटम सिम्युलेटर पर QSCI वर्कफ़्लो के भीतर LCNot-UCCSD एन्सेट का पहला उपयोग है, और उद्योग-प्रासंगिक प्रोटीन-लिगैंड सिस्टम (Mpro–Carmofur) पर DMET-QSCI(LCNot-UCCSD)-RBM का पहला अनुप्रयोग है।
रिजीमों को जोड़ना (Bridging Regimes): अध्ययन एक एकीकृत फ्रेमवर्क का प्रदर्शन करता है जो वर्तमान नॉइज़ी रिजीम से भविष्य के फॉल्ट-टोलरेंट लिमिट तक प्रभावी ढंग से कार्य करता है। महत्वपूर्ण रूप से, यह दिखाता है कि QSCI-RBM फॉल्ट-टोलरेंट (लो-नॉइज़) रिजीम में उत्कृष्ट प्रदर्शन करता है जहाँ SQD विफल हो जाता है, जबकि SQD केवल उच्च-नॉइज़ रिजीम में मजबूत होता है जहाँ यह गणनात्मक रूप से महंगा हो जाता है।
दक्षता (Efficiency): $O(N^6)$ CCSD इनिशियलाइजेशन को $O(N^4)$ MP2 इनिशियलाइजेशन से बदलकर और डायगोनलाइजेशन सबस्पेस को 36–74% तक कंप्रेस करने के लिए RBM का उपयोग करके, यह दृष्टिकोण ड्रग डिस्कवरी के लिए सह-संबंधित इलेक्ट्रॉनिक स्ट्रक्चर गणनाओं के लिए अधिक किफायती मार्ग प्रदान करता है।
हार्डवेयर प्रासंगिकता: यह कार्य प्रमाणित करता है कि LCNot-UCCSD एन्सेट, अपनी नेटिव मल्टी-क्विबिट गेट स्ट्रक्चर के साथ, भविष्य के न्यूट्रल-एटम (रिडबर्ग) हार्डवेयर के लिए उपयुक्त है, बशर्ते गेट एरर रेट में सुधार हो।

पेपर निष्कर्ष निकालता है कि स्टेट-ऑफ-द-आर्ट वर्क्स (क्लीवलैंड क्लिनिक, RIKEN और IBM) की तुलना में कम क्लासिकल रिसोर्सेज का उपयोग करके, यह हाइब्रिड वर्कफ़्लो अधिक कुशल और स्केलेबल ड्रग डिस्कवरी सिमुलेशन को सक्षम बनाता है।