⚛️ quantum physics

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

Questo articolo introduce un flusso di lavoro ibrido quantistico-classico che combina l'inizializzazione LCNot-UCCSD e un modello generativo basato su una Restricted Boltzmann Machine (QSCI-RBM) per simulare efficientemente le energie di legame proteina-legante su hardware quantistico a scala intermedia rumorosa, dimostrando la sua efficacia su target farmacologici rilevanti per l'industria come l'Amantadina e la proteasi del SARS-CoV-2 con risorse computazionali ridotte.

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

Pubblicato 2026-06-30

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

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

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il quadro generale: Trovare la chiave perfetta in una cassaforte gigante

Immagina di cercare la chiave perfetta per aprire una porta specifica (una molecola di un farmaco che si lega alla proteina di un virus). Nel mondo della chimica, questa "chiave" è la disposizione esatta degli elettroni.

Il Problema: Trovare questa disposizione è come cercare un singolo granello di sabbia specifico su una spiaggia che continua a crescere ogni secondo. I computer classici (quelli che usiamo oggi) vengono sopraffatti perché il numero di possibilità è troppo elevato.
La Promessa dei Computer Quantistici: I computer quantistici sono come torce magiche che possono illuminare molti granelli di sabbia contemporaneamente. Tuttavia, gli attuali computer quantistici sono molto "rumorosi" (come una torcia che sfarfalla durante una tempesta), rendendo difficile vedere chiaramente il granello giusto.
L'Obiettivo: Questo articolo presenta un nuovo metodo per utilizzare queste torce quantistiche in modo efficace, anche quando sfarfallano, e le prepara per un futuro in cui saranno perfettamente stabili.

I tre ingredienti principali

I ricercatori hanno combinato tre strumenti potenti per risolvere questo problema:

1. Il "Progetto Intelligente" (LCNot-UCCSD)

Pensa al computer quantistico come a un cantiere edile. Per costruire la struttura giusta (lo stato energetico della molecola), hai bisogno di un progetto.

Il Vecchio Modo: I vecchi progetti erano come un manuale di istruzioni massiccio da 10.000 pagine che richiedeva un tempo infinito per essere scritto (costoso dal punto di vista computazionale).
Il Nuovo Modo: Gli autori hanno utilizzato un nuovo progetto chiamato LCNot-UCCSD. È come un "riassunto intelligente" che riduce il manuale a sole 100 pagine. Utilizza una scorciatoia basata su un calcolo più semplice (MP2) per arrivare all'80-90% del percorso istantaneamente, risparmiando una quantità enorme di tempo e sforzo.

2. La "Torcia Rumorosa" vs. Il "Simulatore Perfetto"

Il team ha testato il loro metodo sul Fujimoto FX700, un simulatore estremamente potente.

L'Analogia: Immagina di cercare di imparare a suonare il pianoforte. Potresti esercitarti su un pianoforte reale e rotto con i tasti appiccicosi (gli attuali computer quantistici reali), oppure potresti esercitarti su un pianoforte digitale perfetto che simula esattamente come dovrebbe suonare la musica, senza alcun tasto rotto.
Perché lo hanno fatto: Gli autori volevano testare il loro metodo in un ambiente "perfetto" prima per vedere come dovrebbe funzionare, e poi hanno aggiunto intenzionalmente del "rumore" (tasti rotti) alla simulazione per vedere se il loro metodo fosse ancora in grado di trovare la melodia corretta. Hanno testato 14 diversi livelli di "rottura", dal perfetto al molto caotico.

3. L'Assistente AI Generativa (QSCI-RBM)

Questa è la più grande innovazione del documento.

Il Vecchio Metodo (SQD): Quando il computer quantistico commette un errore (un risultato "rumoroso"), il vecchio metodo cerca di correggere ogni singolo errore procedendo per tentativi ed errori. È come un bibliotecario che cerca di sistemare una libreria disordinata cercando di rimettere a posto manualmente ogni singolo libro che è caduto. Man mano che la biblioteca diventa più grande, questo processo richiede un tempo infinito.
Il Nuovo Metodo (QSCI-RBM): Gli autori hanno aggiunto un' IA Generativa (una Restricted Boltzmann Machine). Invece di correggere ogni singolo errore, l'IA impara il pattern dei libri corretti.
- L'Analogia: Immagina che l'IA sia un bibliotecario super intelligente che osserva i pochi libri corretti sullo scaffale, impara la "vibrazione" della sezione corretta e poi genera nuovi libri corretti per riempire i vuoti. Non cerca di riparare quelli disordinati; crea semplicemente una lista compatta e perfetta dei libri più importanti necessari per risolvere il puzzle.
- Il Risultato: Questo mantiene la lista di libri (lo "spazio sottostante") piccola e gestibile, anche quando la biblioteca (la molecola) diventa enorme.

Cosa hanno fatto effettivamente (Gli Esperimenti)

Il team non si è limitato alla teoria; ha eseguito simulazioni massicce.

Il Test Piccolo: Sono partiti con 8 molecole semplici (come acqua e metano) per dimostrare che il nuovo "Progetto Intelligente" e l' "Assistente AI" funzionavano insieme.
- Risultato: Anche quando hanno aggiunto un forte "rumore" alla simulazione, il metodo assistito dall'IA trovava la risposta corretta ogni volta, mentre il vecchio metodo falliva a meno che il rumore non fosse proprio quello giusto.
Il Test di Allungamento: Hanno simulato una molecola di Azoto che viene allungata (come un elastico che viene tirato finché non si spezza). Questo è un test molto difficile per i computer.
- Risultolo: Il nuovo metodo è rimasto accurato e fluido. Il vecchio metodo si è confuso e si è interrotto, a meno che non aggiungessero artificialmente del rumore per farlo "oscillare" e farlo funzionare.
Il Test del Mondo Reale (Drug Discovery): Questo è il culmine. Hanno applicato il loro metodo a due scenari del mondo reale:
- Amantadina: Un farmaco per l'influenza.
- Mpro–Carmofur: Un'interazione complessa tra la proteina principale del SARS-CoV-2 (il virus) e un farmaco chiamato Carmofur.
- La Sfida: Queste molecole sono troppo grandi perché un computer quantistico possa gestirle tutte in una volta. Quindi, hanno utilizzato una tecnica chiamata DMET (Density Matrix Embedding Theory).
- L'Analogia: Immagina di cercare di risolvere un enorme puzzle di un'intera città. Invece di guardare l'intera città, la dividi in 10 o 11 quartieri (frammenti). Risolvi ogni quartiere separatamente e poi li cuci insieme.
- La Scala: Hanno simulato questi "quartieri" utilizzando fino a 176 qubit (l'equivalente di un enorme computer quantistico) in un unico framework.
- Il Risultato: Il loro nuovo metodo (LCNot-UCCSD + AI) ha calcolato con alta precisione l'energia di queste interazioni farmaco-target, utilizzando molte meno risorse computazionali rispetto ai metodi precedenti.

Perché questo è importante (Secondo il documento)

Efficienza: Il nuovo metodo è come passare da una carrozza trainata da cavalli a un treno ad alta velocità. Riduce il tempo necessario per preparare il "progetto" del computer quantistico di una quantità enorme (da $O(N^6)$ a $O(N^4)$ ).
Scalabilità: L' "Assistente AI" (RBM) è la chiave per la scalabilità. Man mano che le molecole diventano più grandi, il vecchio metodo richiede di guardare quasi tutto (il 100% delle possibilità). Il nuovo metodo ha solo bisogno di guardare un sottoinsieme piccolo e intelligente (25–30%), rendendo possibile simulare molecole farmacologiche molto più grandi in futuro.
Preparazione al Futuro: Sebbene gli attuali computer quantistici siano rumorosi, questo metodo funziona perfettamente in una simulazione "senza rumore" (che rappresenta i futuri computer quantistici perfetti) e gestisce bene il rumore. Colma il divario tra le macchine disordinate di oggi e i computer perfetti di domani.

Riassunto in una frase

Gli autori hanno creato un nuovo modo efficiente per usare i computer quantistici per simulare come i farmaci si legano ai virus, combinando un progetto matematico più intelligente con un'IA generativa che mantiene i calcoli piccoli e accurati, testandolo con successo su complessi target farmacologici del mondo reale come la proteasi del SARS-CoV-2.

Riassunto Tecnico: Colmare i regimi NISQ e Fault-Tolerant tramite QSCI assistito da Generative-ML

1. Definizione del Problema

Il calcolo accurato delle energie di legame per i sistemi proteina-ligando è un collo di bottiglia critico nella scoperta di farmaci. I metodi classici affrontano un compromesso fondamentale: la teoria coupled-cluster ad alta precisione (CCSD(T)) scala come $O(N_{orb}^7)$ , diventando intrattabile per sistemi grandi, mentre la Full Configuration Interaction (FCI) scala esponenzialmente. Al contrario, la Teoria del Funzionale della Densità (DFT) è trattabile ma spesso fallisce nel catturare i fenomeni specifici della struttura elettronica che governano le interazioni proteina-ligando.

Il calcolo quantistico offre una via per raggiungere l'accuratezza di livello FCI con una scalabilità polinomiale, ma l'attuale hardware Noisy Intermediate-Scale Quantum (NISQ) manca della profondità di coerenza richiesta per circuiti profondi. Inoltre, gli esistenti algoritmi quantistici basati sul campionamento come la Quantum-Selected Configuration Interaction (QSCI) e la Sample-based Quantum Diagonalization (SQD) soffrono di inefficienze strutturali:

QSCI si basa sulla post-selezione, scartando i campioni che violano la simmetria, il che porta a un sottospazio rado nei regimi a basso rumore e a una scarsa convergenza.
SQD utilizza il recupero stocastico delle configurazioni (CR) per riparare i campioni non validi, ma ciò richiede spesso la saturazione dell'intero spazio di Hilbert vincolato dalla simmetria per raggiungere l'accuratezza chimica, risultando in costi di diagonalizzazione classica proibitivi.
Inizializzazione dell'Ansatz: Gli ansatz concorrenti come il Local Unitary Cluster Jastrow (LUCJ) richiedono un'inizializzazione CCSD $O(N^6)$ , che è computazionalmente costosa per ampi spazi attivi.

2. Metodologia

Questo lavoro propone un workflow ibrido quantistico-classico eseguito sul simulatore a stato vettoriale ideale Fujitsu FX700 utilizzando il Quantum Application Research Package (QARP). La metodologia integra tre innovazioni principali:

A. L'Ansatz LCNot-UCCSD

Gli autori utilizzano l'ansatz Linear Scaling CNOT Unitary Coupled Cluster Singles and Doubles (LCNot-UCCSD). A differenza delle implementazioni standard UCCSD che scalano come $O(N^5)$ in termini di conteggio CNOT, LCNot-UCCSD utilizza operatori basati su eccitazioni di qubit (QEB) per scalare come $O(N^4)$ .

Inizializzazione: I parametri sono inizializzati utilizzando le ampiezze MP2 ( $O(N^4)$ ) invece delle ampiezze CCSD ( $O(N^6)$ ), riducendo significativamente il tempo di pre-processing classico.
Agnosticismo rispetto all'Hardware: Il circuito impiega gate $R_y$ triplamente controllati ( $CCCR_y$ ) per le doppie eccitazioni. Sul FX700, questi vengono simulati nativamente come unità multi-qubit senza decomposizione, evitando l'inflazione della profondità associata alla traspilazione in gate a 1 e 2 qubit.

B. QSCI-RBM: Espansione dello Spazio Generativo

Il documento introduce QSCI-RBM, una variante che sostituisce il recupero stocastico delle configurazioni di SQD con una Restricted Boltzmann Machine (RBM).

Workflow: Il circuito quantistico genera bitstring. I campioni validi (che conservano il numero di particelle $N$ e lo spin $S_z$ ) vengono post-selezionati. Una RBM viene addestrata su questi campioni validi per apprendere la distribuzione di probabilità dei determinanti dominanti.
Espansione Iterativa: La RBM addestrata esegue il campionamento di Gibbs per generare nuove configurazioni valide per la simmetria. Queste vengono unite al sottospazio $S_{sub}$ , che viene poi diagonalizzato classicamente utilizzando un solver di Davidson.
Vantaggio: A differenza di SQD, che prolifera le configurazioni tramite flip di singoli orbitali (spesso saturando lo spazio di Hilbert), la RBM concentra il campionamento sul supporto ad alta probabilità della funzione d'onda, mantenendo un sottospazio compatto.

C. Teoria dell'Embedding della Densità (DMET)

Per affrontare sistemi molecolari grandi, il workflow è inserito all'interno di DMET. Il sistema viene frammentato in impurità (ad esempio, 10 frammenti per il complesso proteasi SARS-CoV-2, 11 per l'Amantadina), mentre ogni impurità viene risolta indipendentemente con il solver quantistico utilizzando uno spazio attivo di 4 HOMO–4 LUMO (massimo 16 qubit per frammento), mentre l'ambiente è trattato classicamente.

D. Analisi dell'Errore Controllata

Per colmare il divario tra i regimi NISQ e fault-tolerant, gli autori analizzano 14 livelli di errore artificiale controllato ( $\sigma$ ). Una rotazione casuale $R_y(\theta_i)$ viene applicata prima della misura, dove $\theta_i \sim N(0, \sigma^2)$ . Ciò consente di valutare la robustezza algoritmica dal limite ideale fault-tolerant ( $\sigma=0$ ) alle condizioni rumorose NISQ.

3. Risultati Chiave

A. Benchmark STO-3G su otto molecole

Valutato su otto molecole (da H2 a N2) attraverso 14 livelli di errore:

Performance di SQD: Al livello $\sigma=0$ (ideale), SQD non riesce a raggiungere l'accuratezza chimica per molecole più grandi (errori fino a 270 mHa) perché il sottospazio post-selezionato è troppo rado. Raggiunge l'accuratezza chimica solo a livelli di rumore intermedi o elevati ( $\sigma \ge 0.2$ a $2.0$), dove richiede il 72–100% della dimensione dell'intero spazio di Hilbert $|S|$ .
Performance di QSCI-RBM: Raggiunge l'accuratezza chimica ( $\le 1.59$ mHa) attraverso tutti i 14 livelli di errore per tutte le molecole, incluso il caso ideale $\sigma=0$ .
Compattezza del Sottospazio: Al livello $\sigma=0$ , QSCI-RBM raggiunge l'accuratezza chimica utilizzando solo il 25–27% dello spazio di Hilbert per CO e N2, rispetto al requisito di circa il 97–100% di SQD. Ciò rappresenta una riduzione del 73–74% dei costi di diagonalizzazione classica.

B. Scansione della Superficie di Energia Potenziale (PES) di N2

Nella base cc-pVDZ con uno spazio attivo (4,4):

Robustezza: SQD mostra instabilità e divergenza vicino all'equilibrio e durante la dissociazione del legame a bassi livelli di rumore, richiedendo rumore artificiale ( $\sigma=2.0$ ) per regolarizzare la soluzione.
QSCI-RBM: Segue con successo l'energia di riferimento CASCI attraverso l'intera PES a $\sigma=0$ , mantenendo l'accuratezza chimica.
Scalabilità Adattiva: La RBM regola dinamicamente la copertura del sottospazio in base al carattere multiriferimento (dal ~31% nelle geometrie compresse al ~100% alla dissociazione), mentre SQD impone una copertura rigida e quasi totale.

C. Applicazioni Drug-Target (DMET)

Il workflow è stato applicato ad Amantadina (11 frammenti) e al complesso SARS-CoV-2 Main Protease (Mpro)–Carmofur (10 frammenti) attraverso le basi STO-3G, 6-31G e cc-pVDZ.

Amantadina: QSCI-RBM ha raggiunto l'accuratezza chimica a $\sigma=0$ e $\sigma=0.01$ in tutti i set di basi con coperture di sottospazio ( $\eta_{sub}$ ) compresi tra 0.17 e 0.29. SQD ha richiesto rumore maggiore ( $\sigma \ge 1.0$ ) e sottospazi più grandi ( $\eta_{sub} \approx 0.58–0.89$ ) per convergere.
Mpro–Carmofur: Questa rappresenta la prima simulazione quantistica di questo complesso all'interno di un framework DMET-QSCI. QSCI-RBM ha raggiunto l'accuratezza chimica per la regione attiva a $\sigma=0$ (STO-3G) e $\sigma=1.0$ (6-31G/cc-pVDZ).
Scalabilità: La scala effettiva raggiunta è stata di ~160–176 qubit per le regioni attive (10–11 frammenti). QSCI-RBM ha costantemente richiesto l'8–17% in meno di copertura del sottospazio rispetto a SQD ai punti operativi ottimali, traducendosi in un risparmio significativo di risorse per la diagonalizzazione classica.

4. Significato e Rivendicazioni

Gli autori affermano che questo lavoro rappresenta diversi "primati" e avanzamenti critici:

Primo Deployment: Questa è la prima applicazione dell'ansatz LCNot-UCCSD all'interno di un workflow QSCI su un simulatore quantistico, e la prima applicazione di DMET-QSCI(LCNot-UCCSD)-RBM a un sistema proteina-ligando rilevante per l'industria (Mpro–Carmofur).
Colmare i Regimi: Lo studio dimostra un framework unificato che funziona efficacemente sia nel regime rumoroso attuale che nel futuro limite fault-tolerant. Fondamentalmente, mostra che QSCI-RBM eccelle nel regime fault-tolerant (basso rumore) dove SQD fallisce a causa della scarsità del sottospazio, mentre SQD è robusto solo in regimi di alto rumore dove diventa computazionalmente costoso.
Efficienza: Sostituendo l'inizializzazione CCSD $O(N^6)$ con l'inizializzazione MP2 $O(N^4)$ e utilizzando la RBM per comprimere il sottospazio di diagonalizzazione del 36–74%, l'approccio offre una via più economica per i calcoli della struttura elettronica correlata nella scoperta di farmaci.
Rilevanza Hardware: Il lavoro valida che l'ansatz LCNot-UCCSD, con la sua struttura nativa di gate multi-qubit, è ben adatto per il futuro hardware ad atomi neutri (Rydberg), a condizione che i tassi di errore dei gate migliorino.

Il documento conclude che, utilizzando una frazione delle risorse classiche richieste dai lavori all'avanguardia di Cleveland Clinic, RIKEN e IBM, questo workflow ibrido consente simulazioni di scoperta di farmaci più efficienti e scalabili.