Resource efficient Sample Based Quantum Simulation through Fragmentation and Virtual Partitioning of QPU
Questo articolo introduce FMO-QVM-HCI-HSQD, un framework efficiente dal punto di vista delle risorse che combina la frammentazione molecolare, la partizione virtuale della QPU e un ansatz a metà qubit per ridurre significativamente la profondità del circuito e i tempi di esecuzione, consentendo una simulazione quantistica accurata basata su campionamento di sistemi chimicamente rilevanti sull'attuale hardware.
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
Immagina di cercare di capire come funziona una macchina complessa smontandola, studiando ogni piccolo pezzo isolatamente e poi riassemblando con cura la conoscenza per comprendere l'insieme. Questa è l'essenza della moderna simulazione molecolare, un campo in cui gli scienziati tentano di prevedere come si comportano atomi e molecole per progettare nuovi medicinali e materiali. Per decenni, i computer classici hanno faticato in questo compito perché le regole che governano gli elettroni sono incredibilmente intricate, richiedendo una potenza di calcolo immensa per essere risolte accuratamente. I computer quantistici, che utilizzano le strane leggi della fisica che governano il mondo subatomico, promettono di risolvere questi problemi naturalmente. Tuttavia, le attuali macchine quantistiche sono ancora piccole e soggette a errori, rendendo difficile eseguire i massicci calcoli necessari per le molecole del mondo reale. La sfida è stata trovare un modo per utilizzare questi dispositivi fragili e nelle prime fasi di sviluppo per affrontare sistemi chimicamente rilevanti senza perdersi nel rumore o aspettare decenni per i risultati.
Un team di ricercatori ha sviluppato un nuovo approccio che combina tre strategie distinte per rendere possibile questo obiettivo. Chiamano il loro metodo FMO-QVM-HCI-HSQD, un framework progettato per scomporre un grande problema molecolare in pezzi gestibili, eseguire tali pezzi simultaneamente su un singolo processore quantistico e utilizzare un modo semplificato per raccogliere i dati per ridurre lo sforzo sull'hardware. La prima parte della loro strategia riguarda la frammentazione. Invece di cercare di simulare un'intera grande molecola in una volta sola, il che richiederebbe più bit quantistici di quelli attualmente esistenti, hanno diviso la molecola in piccoli pezzi indipendenti. Trattano ogni pezzo, o frammento, come un proprio piccolo problema, calcolandone l'energia tenendo conto dell'influenza elettrica delle parti circostanti. Ciò consente di risolvere molti piccoli problemi piuttosto che un unico, impossibile, gigante problema.
La seconda innovazione affronta il modo in cui questi piccoli problemi vengono eseguiti sul computer quantistico. Di solito, un processore quantistico è trattato come un'unica unità dove viene eseguito un programma alla volta. I ricercatori hanno invece utilizzato una tecnica chiamata macchina virtuale quantistica, che divide il processore fisico in diverse regioni indipendenti. Questo permette a molteplici calcoli di frammenti diversi di essere eseguiti contemporaneamente su diverse parti dello stesso chip. Facendo così, evitano i lunghi tempi di attesa che si verificano quando i lavori vengono messi in coda uno dopo l'altro, trasformando efficacementamente un singolo computer quantistico in una piccola fabbrica dove molti prodotti vengono costruiti simultaneamente. La terza parte del loro metodo prevede una scorciatoia intelligente nel modo in cui raccolgono le informazioni. Invece di utilizzare l'intero set di bit quantistici richiesti per descrivere ogni possibile stato degli elettroni, utilizzano un approccio a "mezzo qubit" che si concentra solo su un lato dello spin dell'elettrone. Questo dimezza il numero di bit richiesti e accorcia significativamente la profondità del circuito, ovvero la lunghezza della sequenza di operazioni che il computer deve eseguire. I circuiti più brevi sono meno soggetti a essere corrotti dal rumore che affligge gli attuali dispositivi quantistici.
Per testare se questa combinazione di idee funzionasse effettivamente, il team ha condotto esperimenti su due sistemi molto diversi utilizzando hardware quantistico reale di IBM. Il primo sistema era un trimero d'acqua, un gruppo di tre molecole d'acqua tenute insieme da legami a idrogeno. Il secondo era un sistema biologico più complesso: una molecola di un farmaco, il carmofur, legato a una proteina bersaglio del virus SARS-CoV-2, un obiettivo chiave per lo sviluppo di farmaci antivirali. In questi esperimenti, hanno confrontato il loro nuovo metodo con modi più vecchi e tradizionali di eseguire queste simulazioni. Per il trimero d'acqua, hanno scoperto che il loro approccio riduceva il tempo in cui il computer quantistico era occupato dell'82 percento rispetto all'esecuzione dei frammenti uno alla volta. Ha inoltre ridotto la complessità del calcolo di quasi il 40 percento. Cosa più importante, i risultati erano altamente accurati, eguagliando la precisione di calcoli classici molto più costosi pur utilizzando solo una minima frazione dello spazio dati possibile.
I risultati per il complesso farmaco-proteina sono stati ancora più rivelatori. Nella configurazione standard, la simulazione di questa molecola richiedeva un circuito quantistico profondo e complesso, rendendo difficile ottenere risultati affidabili. Utilizzando il loro approccio frammentato, parallelo e semplificato, i ricercatori hanno ridotto la profondità del circuito del 47 percento e tagliato il tempo sul processore quantistico del 20 percento. Hanno raggiunto l'accuratezza chimica, che è il gold standard per prevedere come interagiscono le molecole, accedendo a meno di un centesimo di percentuale delle possibili combinazioni di dati che un metodo tradizionale dovrebbe esplorare. Ciò suggerisce che il metodo non è solo più veloce, ma anche più efficiente nel trovare le risposte corrette senza intasarsi in calcoli non necessari.
I ricercatori hanno poi spinto i limiti ulteriormente, simulando il complesso farmaco-proteina con un modello di elettroni ancora più grande e dettagliato, una configurazione che richiedeva fino a 52 bit quantistici. Questa è una dimensione significativa per l'hardware attuale, eppure il loro metodo è riuscito a completare il compito. L'energia totale calcolata per la molecola deviava dalla migliore stima classica disponibile solo di un margine minimo, ben entro l'intervallo considerato accurato per la scoperta di farmaci. Ciò ha dimostrato che il framework poteva gestire sistemi molto più grandi di quelli che avrebbero potuto essere simulati utilizzando i metodi precedenti sullo stesso hardware. Il team ha osservato che, sebbene il metodo sia potente, non è una soluzione magica; dipende dalla qualità specifica del processore quantistico e dal modo in cui i frammenti sono mappati sull'hardware. Se l'hardware è troppo rumoroso o se i frammenti sono troppo grandi per adattarsi nelle regioni disponibili, i benefici diminuiscono.
In definitiva, questo lavoro dimostra che, scomponendo i problemi, eseguendoli in parallelo e semplificando la raccolta dei dati, è possibile utilizzare gli odierni computer quantistici imperfetti per studiare molecole che sono rilevanti per la chimica e la medicina del mondo reale. I ricercatori non hanno sostenuto di aver risolto tutti i problemi della simulazione quantistica, ma hanno fornito una chiara strada da seguire. I loro risultati suggeriscono che la combinazione di frammentazione, partizione virtuale del processore e campionamento a mezzo qubit rende fattibile la simulazione di sistemi chimicamente rilevanti sull'hardware attuale. Questo è un passo significativo verso il giorno in cui i computer quantistici potranno routineamente assistere nella progettazione di nuovi farmaci e nella comprensione di nuovi materiali, trasformando ciò che un tempo era una possibilità teorica in uno strumento pratico per gli scienziati.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.