Designing lattice proteins with variational quantum algorithms

Sintesi Tecnica: Progettazione di Proteine su Reticolo con Algoritmi Quantistici Variazionali

Definizione del Problema
Il documento affronta il problema inverso della progettazione proteica: identificare sequenze di amminoacidi che si ripiegano in una specifica struttura target. Nello specifico, gli autori si concentrano sulla fase di "ottimizzazione della sequenza", dove l'obiettivo è trovare sequenze che minimizzino l'energia all'interno di una data conformazione target. Lo studio utilizza il modello minimo bidimensionale idrofobico/polare (HP) su reticolo. Questo compito, rispetto al problema del ripiegamento proteico (trovare la struttura per una sequenza), riguarda l'ottimizzazione dei tipi di amminoacidi (H o P) piuttosto che le loro posizioni spaziali, rendendolo meno esigente in termini di numero di qubit. Tuttavia, il problema rimane una sfida di ottimizzazione combinatoria adatta a testare euristiche quantistiche. Gli autori selezionano istanze di problemi con soluzioni di stato fondamentale uniche (note per ripiegarsi nella struttura target) per consentire una valutazione chiara delle prestazioni algoritmiche.

Metodologia
Gli autori investigano l'utilità degli Algoritmi Quantistici Variazionali (VQA) su dispositivi NISQ (Noisy Intermediate-Scale Quantum), confrontando due approcci distinti:

1. Circuiti Informati dal Problema (varianti QAOA):

   • Gli autori implementano l'Algoritmo di Ottimizzazione Approssimata Quantistica (QAOA) e diverse varianti.
   • Codificano la minimizzazione dell'energia HP in una forma di Ottimizzazione Binaria Quadratica Non Vincolata (QUBO), utilizzando un termine di penalità per controllare il numero totale di sfere idrofobiche (H).
   • Vengono testate cinque specifiche configurazioni QAOA, variando l'Hamiltoniana di mixing (mixer X standard vs. mixer XY: topologia a tutto campo e a anello) e lo stato iniziale (sovrapposizione uniforme, uno stato base specifico o uno stato Dicke).
   • I mixer XY permettono all'algoritmo di restringere lo spazio di ricerca ai soli stati ammissibili (peso di Hamming corretto) senza termini di penalità "soft", ma richiedono circuiti più profondi.

2. Circuiti Agnostici rispetto al Problema (Hardware-Efficient Ansatz - HEA):

   • Per mitigare i problemi di profondità del QAOA, gli autori impiegano un Hardware-Efficient Ansatz (HEA).
   • Questi circuiti consistono in strati alternati di rotazioni mono-qubit parametrizzate e porte di entanglement (CNOT) disposte per corrispondere alla connettività dell'hardware target (IBM's Torino device).
   • Vengono testati sia circuiti SU(2) 2-locali a singolo strato che a due strati.

Strategie di Ottimizzazione
L'ottimizzazione classica dei parametri variazionali è un collo di bottiglia critico. Gli autori impiegano:

• Ottimizzazione Iterativa Strato per Strato: Per il QAOA, i parametri per $p$ strati vengono inizializzati tramite interpolazione lineare dei parametri ottimizzati da $p-1$ strati.
• Donazione di Parametri: Per l'HEA, i parametri ottimizzati da istanze di problemi più piccoli (es. $N=4$) vengono trasferiti come suggerimenti iniziali per istanze più grandi (es. $N=8$), con i parametri rimanenti inizializzati casualmente. Questo approccio di "warm-start" è applicato sia alle simulazioni prive di rumore che a quelle con rumore.
• Training sull'Hardware: Per l'HEA, i parametri vengono addestrati anche direttamente sul dispositivo quantistico tramite donazione di parametri.

Risultati
Lo studio valuta le prestazioni tramite i tassi di successo (la frequenza nel trovare lo stato fondamentale noto) attraverso simulazioni classiche (senza rumore e con rumore) ed esperimenti sull'hardware del dispositivo IBM Torino.

• Prestazioni QAOA:

  • Nelle simulazioni senza rumore, le varianti QAOA che utilizzano mixer XY e stati iniziali Dicke raggiungono tassi di successo accettabili per dimensioni ridotte del problema ($N \le 16$).
  • Tuttavia, in presenza di rumore (simulato e reale), le prestazioni crollano. Gli autori attribuiscono ciò alla sostanziale profondità di circuito richiesta dai mixer XY e dalla preparazione dello stato Dicke (profondità >2000 per $N=16$).
  • Ridurre il numero di strati ($p$) non recupera le prestazioni in ambienti rumorosi.

• Prestazioni HEA:

  • I circuiti HEA sono significativamente meno profondi dei circuiti QAOA.
  • Nelle simulazioni senza rumore, l'HEA raggiunge tassi di successo comparabili alle migliori varianti QAOA.
  • Nelle simulazioni con rumore, l'HEA (particolarmente la variante a singolo strato) dimostra una tolleranza al rumore superiore rispetto al QAOA.
  • Esperimenti sull'Hardware: Quando eseguito sul dispositivo IBM Torino, l'HEA risolve con successo istanze fino a $N \approx 11$ con tassi di successo significativi. Per $N \ge 12$, i tassi di successo scendono quasi a zero.
  • Simulazione vs Realtà: Le simulazioni rumorose utilizzando il modello di rumore di IBM tendono a sovrastimare i tassi di successo osservati sull'hardware reale, in particolare per $12 \le N \le 16$. Gli autori attribuiscono questa discrepanza all'incapacità del modello di rumore di catturare gli aspetti temporali del rumore dell'hardware e gli effetti non-Markoviani.

Contributi Chiave e Significato
Il documento fornisce un'analisi comparativa tra VQA informati dal problema (QAOA) e agnostici rispetto al problema (HEA) per un compito di ottimizzazione biofisica. I suoi principali contributi sono:

1. Dimostrazione della Sensibilità alla Profondità: Lo studio evidenzia che, sebbene gli algoritmi informati dal problema come il QAOA possano funzionare bene in condizioni idealizzate, la loro dipendenza da circuiti profondi li rende impraticabili per l'attuale hardware NISQ quando è presente il rumore.
2. Vantaggio degli Approcci Efficienti per l'Hardware: Gli autori mostrano che gli HEA, pur essendo agnostici rispetto al problema e privi di una specifica codifica del problema, offrono una migliore robustezza contro il rumore grazie alle loro strutture di circuito meno profonde, rendendoli più praticabili per i dispositivi attuali.
3. Limitazioni degli Attuali Modelli di Rumore: Un risultato significativo è che i modelli di rumore standard (che incorporano errori di gate, errori di lettura e rilassamento termico) non riescono a prevedere completamente le prestazioni dell'hardware, probabilmente a causa di correlazioni temporali del rumore non modellate.
4. Limiti di Fattibilità: Il lavoro stabilisce che, per il problema specifico dell'ottimizzazione della sequenza HP, l'attuale hardware quantistico può risolvere in modo affidabile solo istanze con catene di lunghezza breve ($N \le 12$).

Conclusione
Gli autori concludono che, sebbene i VQA offrano un quadro promettente per l'ottimizzazione discreta, la loro applicazione pratica alla progettazione proteica sull'hardware attuale è limitata dal rumore e dalla profondità del circuito. Affermano che le strategie di mitigazione dell'errore sono essenziali per sbloccare il potenziale di questi metodi, in particolare per gli approcci QAOA più sofisticati. Lo studio funge da valutazione realistica dell'interazione tra approcci quantistici variazionali e ottimizzazione biologica combinatoria, identificando sia le opportunità che le attuali limitazioni del paradigma NISQ.