🧬 biology

Machine-Learned Compact Subspace Generation for Quantum Selected Configuration Interaction within Density Matrix Embedding Framework

यह शोध पत्र एक मशीन-लर्निंग-संवर्धित प्रोटोकॉल, QSCI-RBM को प्रस्तुत करता है, जो रिस्ट्रिक्टेड बोल्ट्ज़मैन मशीनों का उपयोग करके कॉम्पैक्ट, उच्च-संभाव्यता विन्यास उप-स्थानों (configuration subspaces) को उत्पन्न करने के लिए डेंसिटी मैट्रिक्स एम्बेडिंग थ्योरी के साथ एकीकृत है, जो मानक विधियों की तुलना में काफी कम उप-स्थान आवश्यकताओं के साथ SARS-CoV-2 मुख्य प्रोटीज का अनुकरण करने में रासायनिक सटीकता सफलतापूर्वक प्राप्त करता है।

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

प्रकाशित 2026-07-24

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Ashish Kumar Patra, Anurag K. S. V., 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। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विशाल, असंभव जिग्सॉ पहेली को सुलझाने की कोशिश कर रहे हैं। यह सिर्फ कोई साधारण पहेली नहीं है; यह इस बात की पहेली है कि परमाणु और इलेक्ट्रॉन मिलकर अणुओं का निर्माण कैसे करते हैं, आपके पीने के पानी से लेकर बीमारियों को ठीक करने वाली दवाओं तक। दशकों से, वैज्ञानिकों ने हर एक टुकड़े को देखकर इसे सुलझाने की कोशिश की है, लेकिन टुकड़ों की संख्या इतनी तेजी से बढ़ती है कि दुनिया के सबसे शक्तिशाली सुपरकंप्यूटर भी अटक जाते हैं, और किसी नन्ही सी चीज़ से बड़ी चीज़ के लिए पूरी तस्वीर बनाने में असमर्थ हो जाते हैं।

इससे बचने के लिए, वैज्ञानिकों ने एक नए प्रकार के सहायक का उपयोग करना शुरू कर दिया है: क्वांटम कंप्यूटर। एक क्वांटम कंप्यूटर को एक तेज़ कैलकुलेटर के रूप में नहीं, बल्कि एक जादुई, अराजक पासा फेंकने वाले यंत्र (dice roller) के रूप में सोचें। हर एक संभावना की गणना एक-एक करके करने के बजाय, यह देखता है कि कौन से परमाणु पैटर्न सबसे अधिक बार दिखाई देते हैं, इसके लिए यह लाखों बार पासा फेंकता है। इसे "सैंपलिंग" कहा जाता है। हालाँकि, इसमें एक पेच है। कभी-कभी पासे थोड़े शोरभरे (noisy) होते हैं, या जो पैटर्न वे पाते हैं वे बहुत अव्यवस्थित होते हैं जिससे वे उपयोगी नहीं रह जाते। यह घास के ढेर में एक विशिष्ट सुई खोजने की कोशिश करने जैसा है, लेकिन हर बार जब आप देखते हैं तो घास का ढेर बड़ा होता जाता है, और आप अच्छी चीज़ खोजने के बजाय बहुत सारा कचरा छानने में ही लगे रहते हैं। बड़ा सवाल वैज्ञानिकों के लिए यह था: हम इन शोरभरे क्वांटम पासों का उपयोग सही सुइयों को खोजने के लिए कैसे करें बिना कचरे में दबे?

यहीं पर एक नया अध्ययन एक चतुर तकनीक के साथ आता है। शोधकर्ताओं ने, जो Qclairvoirance Quantum Labs की एक टीम और अन्य लोगों के साथ काम कर रहे थे, DMET-QSCI-RBM नामक एक विधि विकसित की। यह सुनने में थोड़ा कठिन लग सकता है, लेकिन इसे एक स्मार्ट रोबोट को एक बेहतर जासूस बनने की शिक्षा देने के रूप में समझें। उन्होंने एक क्वांटम कंप्यूटर (पासा फेंकने वाला यंत्र) को एक मशीन लर्निंग मॉडल, जिसे 'रिस्ट्रिक्टेड बोल्ट्ज़मैन मशीन' (जासूस) कहा जाता है, के साथ जोड़ा। क्वांटम कंप्यूटर को केवल यादृच्छिक (random) पैटर्न spits out करने देने और सबसे अच्छे की उम्मीद करने के बजाय, उन्होंने रोबोट को यह सीखने के लिए प्रशिक्षित किया कि कौन से पैटर्न सबसे महत्वपूर्ण हैं।

उन्होंने क्या पाया: जब उन्होंने इस नए "स्मार्ट जासूस" का परीक्षण एक छोटे, सरल अणु पर किया, तो इसने खूबसूरती से काम किया, और संभावित टुकड़ों के एक बहुत छोटे अंश का उपयोग करके उत्तर खोज लिया। लेकिन असली जादू तब हुआ जब उन्होंने इसे एक जटिल जैविक प्रणाली पर लागू किया: SARS-CoV-2 वायरस (जिससे COVID-19 होता है) से जुड़ा एक प्रोटीन, जो Carmofur नामक दवा से बंधा हुआ है। यह एक बहुत बड़ी, जटिल प्रणाली है जो आमतौर पर कंप्यूटर को तोड़ देती है।

टीम ने इस विशाल प्रोटीन-ड्रग कॉम्प्लेक्स को 11 छोटे हिस्सों में तोड़ा और प्रत्येक को हल किया। उन्होंने अपने नए "स्मार्ट जासूस" तरीके की तुलना पुराने तरीके से की। पुराना तरीका, भले ही उसे लगभग पूरे पहेली (लगभग 97% टुकड़ों) को देखने की अनुमति दी गई थी, सटीक उत्तर पाने के लिए संघर्ष करता रहा। इसके विपरीत, नए DMET-QSCI-RBM विधि ने संभावित टुकड़ों के केवल लगभग 3.9% को देखते हुए सही उत्तर खोज लिया।

अध्ययन बताता है कि मशीन लर्निंग का उपयोग करके क्वांटम कंप्यूटर को निर्देशित करने से, हमें पूरे घास के ढेर को छानने की आवश्यकता नहीं है। हम कंप्यूटर को कचरे को अनदेखा करना और केवल उन सुइयों पर ध्यान केंद्रित करना सिखा सकते हैं जो मायने रखती हैं। इसका मतलब है कि हम जटिल जैविक प्रणालियों, जैसे कि दवाएं वायरस के साथ कैसे परस्पर क्रिया करती हैं, को पहले की तुलना में बहुत तेज़ी से और कम कंप्यूटिंग पावर के साथ सिम्युलेट कर सकते हैं। यह क्वांटम कंप्यूटरों का उपयोग करके नई दवाओं को डिजाइन करने की दिशा में एक आशाजनक कदम है, जो यह सिद्ध करता है कि कभी-कभी, कम देखना वास्तव में अधिक देखने की कुंजी होती है।

तकनीकी सारांश: डेंसिटी मैट्रिक्स एम्बेडिंग फ्रेमवर्क के भीतर क्वांटम सिलेक्टेड कॉन्फ़िगरेशन इंटरैक्शन के लिए मशीन-लर्नड कॉम्पैक्ट सबस्पेस जनरेशन

समस्या विवरण
बड़े आणविक प्रणालियों, विशेष रूप से फार्मास्युटिकल प्रासंगिकता वाले बड़े आणविक तंत्रों के सटीक अनुकरण (सिमुलेशन) में सटीक सह-संबद्ध इलेक्ट्रॉनिक संरचनाओं का चित्रण एक महत्वपूर्ण चुनौती बनी हुई है। फुल कॉन्फ़िगरेशन इंटरैक्शन (FCI) जैसे सटीक विकर्णीकरण (डायगोनलाइजेशन) विधियों का पैमाना कॉम्बिनेटोरियल (क्रमचय-संचय) होता है, जो मध्यम से बड़े सिस्टम के लिए इसे अव्यवहार्य बना देता है। जबकि वेरिएशनल क्वांटम आइजनसोल्वर (VQE) जैसे हाइब्रिड क्वांटम-क्लासिकल एल्गोरिदम एक मार्ग प्रदान करते हैं, वे बैरन प्लेटो (barren plateaus) और शोर संवेदनशीलता जैसी अनुकूलन संबंधी समस्याओं से ग्रस्त होते हैं। सैंपल-आधारित क्वांटम डायगोनलाइजेशन (SQD), या क्वांटम सिलेक्टेड कॉन्फ़िगरेशन इंटरैक्शन (QSCI), इन समस्याओं को संबोधित करता है, जहाँ क्वांटम हार्डवेयर का उपयोग केवल बिटस्ट्रिंग्स के नमूनाकरण (सैंपलिंग) के लिए किया जाता है, न कि पुनरावृत्ति अनुकूलन के लिए, जबकि क्लासिकल पोस्ट-प्रोसेसिंग द्वारा नमूनाकृत सबस्पेस पर सटीक विकर्णालाइज़ेशन किया जाता है। हालांकि, मौजूदा QSCI दृष्टिकोण एक महत्वपूर्ण बाधा का सामना करते हैं: नमूनाकृत कॉन्फ़िगरेशन सबस्पेस की गुणवत्ता और सघनता (compactness)। कच्चे हार्डवेयर नमूने शोर युक्त होते हैं और अक्सर भौतिक सममिति (जैसे इलेक्ट्रॉन संख्या, स्पिन) का उल्लंघन करते हैं। वर्तमान रिकवरी तकनीकें इन नमूनों को वैध सममिति क्षेत्रों में वापस प्रोजेक्ट करती हैं, लेकिन वे सबसे अधिक भौतिक रूप से प्रासंगिक कॉन्फ़िगरेशन के चयन की गारंटी नहीं देती हैं। इसके परिणामस्वरूप अक्सर अनावश्यक रूप से बड़े सबस्पेस प्राप्त होते हैं जो क्लासिकल डायगोनलाइजेशन लागत को बढ़ाते हैं और संभावित क्वांटम लाभ को कम कर देते हैं। इसके अलावा, बड़े जैविक प्रणालियों पर QSCI लागू करने के लिए DMET जैसी फ्रैगमेंटेशन रणनीतियों की आवश्यकता होती है, जो सबस्पेस आकार और रासायनिक सटीकता के बीच संतुलन बनाए रखने में अतिरिक्त जटिलता पेश करती है।

कार्यप्रणाली
लेखक DMET-QSCI-RBM का प्रस्ताव करते हैं, जो एक एकीकृत ढांचा है जो DMET वर्कफ़्लो के भीतर एक मशीन-लर्नड कॉम्पैक्ट सबस्पेस जनरेशन प्रोटोकॉल को एकीकृत करता है। मुख्य नवाचार एक रिस्ट्रिक्टेड बोल्ट्जमैन मशीन (RBM) का उपयोग है, जिसे प्रमुख डिटरमिनेंट्स (determinants) के संभाव्यता वितरण को सीखने के लिए सीधे क्वांटम-नमूनाकृत बिटस्ट्रिंग्स पर प्रशिक्षित किया जाता है, जिससे पर्टर्बेटिव सीडिंग (जैसे MP2) पर निर्भर किए बिना लक्षित उच्च-संभाव्यता वाले कॉन्फ़िगरेशन उत्पन्न करना संभव हो जाता है।

कार्यप्रणाली निम्नलिखित प्रमुख चरणों के माध्यम से आगे बढ़ती है:

क्वांटम सैंपलिंग: क्वांटम हार्डवेयर पर एक लोकल यूनिटरी क्लस्टर जैस्ट्रो (LUCJ) एंसेटा (ansatz) निष्पादित किया जाता है ताकि कच्चे बिटस्ट्रिंग्स उत्पन्न किए जा सकें।
पोस्ट-सिलेक्शन और इनिशियलाइजेशन: कण-संख्या और स्पिन संरक्षण के लिए कच्चे नमूनों को फ़िल्टर किया जाता है। जीवित बचे हुए कॉन्फ़िगरेशन, हार्ट्री-फॉक (HF) संदर्भ के साथ मिलकर, प्रारंभिक "डिटरमिनेंट मेमोरी" बनाते हैं।
RBM-निर्देशित पुनरावृत्ति विस्तार:
- RBM को वर्तमान डिटरमिनेंट मेमोरी (HF संदर्भ को छोड़कर) पर यूनिफॉर्म वेट्स का उपयोग करके प्रशिक्षित किया जाता है, न कि CI गुणांकों द्वारा भारित करके, ताकि प्रमुख सेक्टर के निष्पक्ष अन्वेषण को सुनिश्चित किया जा सके।
- प्रशिक्षित RBM नए कैंडिडेट डिटरमिनेंट्स उत्पन्न करने के लिए गिब्स सैंपलिंग (Gibbs sampling) करता है।
- इन कैंडिडेट को सममिति और नवीनता (मेमोरी में पहले से मौजूद कॉन्फ़िगरेशन को हटाना) के लिए फ़िल्टर किया जाता है।
- फ़िल्टर्ड कैंडिडेट को वर्तमान मेमोरी के साथ जोड़ा जाता है ताकि एक वर्किंग डायगोनलाइजेशन स्पेस बनाया जा सके।
स्पिन-स्ट्रिंग प्रोलिफरेशन (Spin-String Proliferation): डायगोनलाइजेशन से पहले, अद्वितीय $\alpha$ और $\beta$ कॉन्फ़िगरेशन निकाले जाते हैं और उनके कार्टेशियन उत्पाद (Cartesian product) का निर्माण किया जाता है। यह चरण उन क्रॉस-पेयर्ड कॉन्फ़िगरेशन को सामने लाता है जो स्पष्ट रूप से सैंपल नहीं किए गए थे, जिससे अतिरिक्त क्वांटम शॉट्स के बिना सबस्पेस का विस्तार होता है।
क्लासिकल डायगोनलाइजेशन और मेमोरी अपडेट: प्रोजेक्टेड हैमिल्टोनियन को क्लासिकली डायगनालाइज़ किया जाता है (डेविडसन विधि का उपयोग करके)। वे कॉन्फ़िगरेशन जिनके CI गुणांक एक थ्रेशोल्ड से अधिक हैं, उन्हें अगले इटरेशन के लिए स्थायी रूप से डिटरमिनेंट मेमोरी में जोड़ दिया जाता है।
DMET एकीकरण: यह QSCI-RBM सॉल्वर DMET स्व-सुसंगत (self-consistency) लूप के भीतर उच्च-स्तरीय इम्प्योरिटी सॉल्वर के रूप में कार्य करता है। लूप वैश्विक रासायनिक क्षमता ( $\mu_{glob}$ ) को तब तक समायोजित करता है जब तक कि कुल एम्बेडेड इलेक्ट्रॉन गणना वास्तविक इलेक्ट्रॉन गणना के बराबर न हो जाए।

प्रमुख योगदान

RBM-संचालित सबस्पेस निर्माण: यह पेपर पारंपरिक कॉन्फ़िगरेशन रिकवरी ह्यूरिस्टिक्स को एक सीखे गए जेनेरेटिव मॉडल से बदलने या पूरक बनाने की एक विधि पेश करता है। यह पर्टर्बेटिव एंकरिंग के बिना सीधे उच्च-गुणवत्ता वाले कॉम्पैक्ट डिटरमिनेंट सबस्पेस को लक्षित करने की अनुमति देता है।
DMET के साथ एकीकरण: ढांचा सफलतापूर्वक QSCI-RBM को DMET के साथ जोड़ता है, जिससे प्रति फ्रैगमेंट स्थिर क्वबिट संख्या बनाए रखते हुए बड़े, खंडित जैविक प्रणालियों के सिमुलेशन को सक्षम बनाया जा सके।
नवीनता और सममिति फ़िल्टरिंग: वर्कफ़्लो में विशिष्ट तंत्र शामिल हैं जो डबल-काउंटिंग को रोकने और सममिति वैधता सुनिश्चित करने के लिए डिज़ाइन किए गए हैं।
स्पिन-स्ट्रिंग प्रोलिफरेशन: लेखक प्रत्यक्ष सैंपलिंग द्वारा छूटे हुए सह-संबंधों (correlations) को पकड़ने के लिए अद्वितीय स्पिन स्ट्रिंग्स के कार्टेशियन उत्पाद का उपयोग करके एक निहित (implicit) रूप से सबस्पेस विस्तार का उपयोग करते हैं।

परिणाम
इस ढांचे को छोटे अणुओं (एथिलीन और मेथनॉलमाइन) पर मान्य किया गया और एक जटिल जैविक प्रणाली: SARS-CoV-2 मुख्य प्रोटीज (Mpro) से बंधा कारमोफर (Carmofur) अवरोधक पर लागू किया गया।

छोटे अणु बेंचमार्क: एथिलीन ( $C_2H_4$ ) और मेथनॉलमाइन ( $CH_5NO$ ) पर, DMET-QSCI-RBM ने पूर्ण सममिति-अनुकूलित कॉन्फ़िगरेशन स्पेस के केवल 2.12% और 0.06% तक पहुँचकर रासायनिक सटीकता (त्रुटि < 1.6 mHa) प्राप्त की। ये परिणाम CCSD बेंचमार्क के बराबर या उनसे बेहतर रहे, जबकि काफी छोटे सबस्पेस का उपयोग किया गया।
प्रोटीन-लिगैंड सिमुलेशन (Carmofur-Mpro):
- सिस्टम को 11 DMET इम्प्योरिटीज में विभाजित किया गया, जिनमें से प्रत्येक में एक समान (16e, 16o) एक्टिव स्पेस (32 क्वबिट्स) था।
- DMET-SQD बेसलाइन्स: एक मानक DMET-SQD दृष्टिकोण जिसने अनबाउंडेड सबस्पेस ( $\epsilon_{spb} = 10^8$ ) का उपयोग किया, उसने सममिति स्थान के ~97.4% तक पहुँचकर रासायनिक सटीकता प्राप्त की। एक ट्रंकेटेड (truncated) बेसलाइन ( $\epsilon_{spb} = \sqrt{|S|/2}$ ) ने केवल ~19.0% स्थान का उपयोग किया लेकिन रासायनिक सटीकता प्राप्त करने में विफल रही, जहाँ ऊर्जा त्रुटियाँ $10^{-2}$ Ha के आसपास रहीं। उल्लेखनीय रूप से, ट्रंकेटेड बेसलाइन के लिए रासायनिक क्षमता अवशेष (residual) अभिसरित (converge) हुआ, फिर भी ऊर्जा नहीं हुई, जो दर्शाता है कि $\mu$ -अभिसरण (convergence) ट्रंकेटेड सबस्पेस में ऊर्जा सटीकता का विश्वसनीय प्रॉक्सी नहीं है।
- DMET-QSCI-RBM प्रदर्शन: प्रस्तावित विधि ने रासायनिक सटीकता (दो स्वतंत्र रन में क्रमशः $9.3 \times 10^{-4}$ Ha और $4.3 \times 10^{-4}$ Ha की त्रुटियां) प्राप्त की, जबकि औसतन केवल ~3.9% सममिति स्थान का उपयोग किया। यह कन्वर्ज्ड DMET-SQD बेसलाइन की तुलना में लगभग 25-गुना कमी और नॉन-कन्वर्ज्ड ट्रंकेटेड बेसलाइन की तुलना में 5-गुना कमी को दर्शाता है।
- दक्षता: इस विधि ने कम रासायनिक-क्षमता इटरेशन के साथ ये परिणाम प्राप्त किए, जिससे कुल क्वांटम सैंपलिंग लागत कम हो गई। प्रति फ्रैगमेंट क्वांटम सर्किट डेप्थ और निष्पादन समय सभी विधियों के समान था, जो यह दर्शाता है कि दक्षता में सुधार अभिसरण तक पहुँचने के लिए आवश्यक इटरेशन की संख्या में कमी से आया है।

महत्व और दावे
यह पेपर दावा करता है कि DMET-QSCI-RBM सीखे गए, हार्डवेयर-संचालित कॉन्फ़िगरेशन चयन के एक प्रमुख व्यावहारिक लाभ के रूप में सबस्पेस सघनता (compactness) को स्थापित करता है। लेखक तर्क देते हैं कि:

कॉम्पैक्टनेस बनाम सटीकता: मशीन-लर्नड सबस्पेस जनरेशन पारंपरिक कॉन्फ़िगरेशन रिकवरी या पर्टर्बेटिव सीडिंग की तुलना में काफी अधिक कॉम्पैक्ट सबस्पेस उत्पन्न करता है, जबकि भौतिक सटीकता को बनाए रखता है।
मेट्रिक्स का विखंडन (Decoupling of Metrics): DMET-QSCI-RBM में ऊर्जा सटीकता मुख्य रूप से संचित डिटरमिनेंट मेमोरी की गुणवत्ता और सघनता द्वारा नियंत्रित होती है, न कि रासायनिक क्षमता की स्व-सुसंगतता की डिग्री द्वारा। यह ढांचे को तब भी रासायनिक रूप से सार्थक परिणाम प्राप्त करने की अनुमति देता है जब $\mu$ -खोज को जल्दी रोक दिया जाता है।
स्केलेबिलिटी: प्रति फ्रैगमेंट क्लासिकल डायगोनलाइजेशन लागत को कम करके, यह दृष्टिकोण जटिल जैविक प्रणालियों (जैसे प्रोटीन-लिगैंड कॉम्प्लेक्स) के स्केलेबल क्वांटम एम्बेडिंग सिमुलेशन को सक्षम बनाता है जो अन्यथा अव्यवहार्य होते।
हार्डवेयर एग्नोस्टिक (Hardware Agnostic): यह विधि NISQ-युग की सैंपलिंग की विशिष्ट क्षमताओं का लाभ उठाती है (बैरन प्लेटोस से बचते हुए) जबकि सीखे गए जेनेरेटिव मॉडल्स के माध्यम से कच्चे सैंपलिंग और सबस्पेस आकार की समस्याओं को कम करती है।

लेखक निष्कर्ष निकालते हैं कि यह दृष्टिकोण उन्हें ट्रंकेटेड एक्टिव-साइट मॉडलों की सीमाओं से परे, उनके पूर्ण फार्माकोलॉजिकल संदर्भ में बायोमॉलिक्यूलर सिस्टम के क्लासिकली सुलभ क्वांटम सिमुलेशन के मार्ग को प्रशस्त करता है। वे नोट करते हैं कि RBM के व्यवस्थित हाइपरपैरामीटर ऑप्टिमाइज़ेशन और अन्य कॉम्पैक्ट सबस्पेस रणनीतियों के साथ तुलनात्मक अध्ययन के माध्यम से और अधिक सुधार किए जा सकते हैं।

इसी तरह के और पेपर