⚛️ quantum physics

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

本論文は、LCNot-UCCSD初期化と制限ボルツマンマシンに基づく生成モデル（QSCI-RBM）を組み合わせたハイブリッド量子・古典ワークフローを導入し、ノイズのある中規模量子デバイス上でタンパク質-リガンド結合エネルギーを効率的にシミュレートすることで、アマンタジンやSARS-CoV-2プロテアーゼといった産業に関連する創薬ターゲットに対する有効性を、計算リソースを削減した状態で実証するものである。

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

公開日 2026-06-30

📖 1 分で読めます🧠 じっくり読む

CC BY 4.0

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

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

ビッグピクチャー：巨大なロックボックスの中から完璧な鍵を見つけ出す

あなたは、特定のドア（薬物分子がウイルス蛋白質に結合すること）を開けるための完璧な鍵を探していると想像してください。化学の世界では、この「鍵」とは、電子の正確な配置のことです。

問題点: この配置を見つけることは、一秒ごとに大きくなっていくビーチの中から、たった一粒の特定の砂を見つけ出すようなものです。古典的なコンピュータ（私たちが今日使っているもの）は、可能性があまりにも膨大すぎるため、処理しきれなくなってしまいます。
量子コンピュータの約束: 量子コンピュータは、一度に多くの砂粒に光を当てることができる「魔法の懐中電灯」のようなものです。しかし、現在の量子コンピュータは非常に「ノイズが多い（嵐の中で懐中電灯がチカチカと点滅しているような状態）」ため、正しい砂粒をはっきりと見るのが困難です。
ゴール: 本論文は、これらの量子懐中電灯がチカチカと点滅している時でも効果的に使い、そして将来、完全に安定した状態になった時に備えるための新しい手法を提示しています。

3つの主要な材料

研究者たちは、この問題を解決するために3つの強力なツールを組み合わせました。

1. 「スマートな設計図」（LCNot-UCCSD）

量子コンピュータを建設現場だと考えてください。正しい構造（分子のエネルギー状態）を構築するには、設計図が必要です。

従来の方法: 古い設計図は、膨大な10,000ページの取扱説明書のようなもので、書き写すだけで膨大な時間がかかりました（計算コストが高い）。
新しい方法: 著者らは LCNot-UCCSD という新しい設計図を使用しました。これは、マニュアルをわずか100ページに削減した「スマートな要約」のようなものです。より単純な計算（MP2）に基づいたショートカットを利用することで、瞬時に90%のところまで到達し、膨大な時間と労力を節約します。

2. 「ノイズの多い懐中電灯」対「完璧なシミュレーター」

チームは、超強力なシミュレーターである Fujitsu FX700 を用いて手法をテストしました。

比喩: あなたがピアノの練習をしていると想像してください。壊れたピアノ（現在の実際の量子コンピュータ）で、鍵盤が粘つく状態で練習することもできますし、壊れた鍵盤が一切ない、音楽が本来どう聞こえるべきかを正確にシミュレートしたデジタルピアノで練習することもできます。
なぜこれを行ったのか: 著者らは、まず「完璧な」環境で自分たちの手法がどのように機能すべきかをテストし、その上で、意図的に「ノブイズ（壊れた鍵盤）」を加えて、手法が依然として正しい音色を見つけ出せるかどうかを確認したかったのです。彼らは、完璧な状態から非常に混沌とした状態まで、14段階の異なる「壊れ具合」でテストを行いました。

3. 「生成AIアシスタント」（QSCI-RBM）

これが本論文における最大のイノベーションです。

従来の手法（SQD）: 量子コンピュータが間違い（「ノイズの多い」結果）を起こしたとき、従来の手法は、一つひとつの間違いを推測と確認によって修正しようとします。それは、図書館員が、棚から落ちた本を一つひとつ手作業で並べ直そうとするようなものです。図書館が大きくなるにつれ、これには永遠に時間がかかります。
新しい手法（QSCI-RBM）: 著者らは 生成AI（制限ボルツマンマシン） を導入しました。すべての間違いを修正する代わりに、AIは「正しい本のパターン」を学習します。
- 比喩: AIは、棚にある数冊の正しい本を見て、正しいセクションの「雰囲気（バイブス）」を学び、その後、空白を埋めるために新しい正しい本を「生成」する、非常に賢い図書館員です。AIは、散らかった本を直そうとするのではなく、パズルを解くために必要な最も重要な本のコンパクトで完璧なリストを作成します。
- 結果: これにより、たとえ図書館（分子）が巨大になっても、本のリスト（サブスペース）を小さく管理可能な状態に保つことができます。

実際に行ったこと（実験）

チームは単に理論を語っただけでなく、大規模なシミュレーションを実行しました。

小規模テスト: 彼らは、新しい「スマートな設計図」と「AIアシスタント」が共に機能することを証明するために、8つの単純な分子（水やメタンなど）から開始しました。
- 結果: シミュレーションに激しい「ノイズ」を加えた場合でも、AI支援による手法は毎回正しい答えを見つけ出しましたが、従来の手法はノイズが適切でない限り失敗しました。
ストレステスト: 彼らは、窒素分子が引き離される（ゴムバンドが切れるまで引き伸ばされるような状態）様子をシミュレートしました。これはコンピュータにとって非常に難しいテストです。
- 結果: 新しい手法は正確かつスムーズな状態を維持しました。従来の手法は混乱して崩壊してしまいましたが、人工的にノイズを加えて「揺さぶり」をかけることで、かろうじて動作させることができました。
実世界テスト（創薬）: これがクライマックスです。彼らは、2つの実世界のシナリオにこの手法を適用しました。
- アマンタジン: インフルエンザ治療薬。
- Mpro–Carmofur: SARS-CoV-2ウイルス（メインプロテアーゼ）と薬物であるカルモフルとの間の複雑な相互作用。
- 課題: これらの分子は、量子コンピュータが一度にすべてを扱うには大きすぎます。そこで、彼らは DMET（密度行列埋め込み理論）と呼ばれる手法を使用しました。
- 比喩: 都市全体の巨大なジグソーパズルを解こうとしていると想像してください。都市全体を見る代わりに、それを10または11の「近隣地域（断片）」に分割します。それぞれの地域を個別に解決し、それらを後で繋ぎ合わせるのです。
- 規模: 彼らは、単一のフレームワーク内で、最大 176量子ビット（大規模な量子コンピュータに相当）を使用して、これらの「近隣地域」をシミュレートしました。
- 結果: 彼らの新しい手法（LCNot-UCCSD + AI）は、従来のメソッドよりもはるかに少ない計算リソースを使用して、薬物と標的の相互作用のエネルギーを高い精度で算出することに成功しました。

なぜこれが重要なのか（論文による説明）

効率性: 新しい手法は、馬車から高速列車に乗り換えるようなものです。量子コンピュータの「設計図」を準備する時間を大幅に短縮します（ $O(N^6)$ から $O(N^4)$ へ）。
拡張性: 「AIアシスタント（RBM）」がスケールアップの鍵です。分子が大きくなるにつれ、従来の手法は「ほぼすべて（100%）」の可能性を見る必要があります。しかし、新しい手法は、スマートで小さなサブセット（25〜30%）を見るだけで済むため、将来的に、より大きな薬物分子をシミュレートすることが可能になります。
将来への備え: 現在の量子コンピュータはノイズが多いですが、この手法は「ノイズのない」シミュレーション（将来の完璧な量子コンピュータを象徴）において完璧に機能し、かつノイズにもうまく対処できます。これは、今日の乱れたマシンと、明日の完璧なマシンの間の架け橋となります。

一文でのまとめ

著者らは、よりスマートな数学的設計図と、計算を小さく正確に保つ生成AIを組み合わせることで、量子コンピュータを使用して薬物がウイルスに結合する様子をシミュレートする、効率的な新しい方法を作り出し、SARS-CoV-2プロテアーゼのような複雑な実世界の薬物標的に対して成功裏にテストを行いました。

技術要約：生成AI-ML支援型QSCIによるNISQとフォールトトレラント・レジームの架け橋

1. 問題提起

タンパク質-リガンド系の結合エネルギーを正確に計算することは、創薬における極めて重要なボトルネックである。古典的な手法は根本的なトレードオフに直面している。高精度な結合クラスター理論（CCSD(T)）は $O(N_{orb}^7)$ でスケールするため、大規模な系では実行不可能となり、一方でフル構成間相互作用（FCI）は指数関数的にスケールする。対照的に、密度汎関数理論（DFT）は計算可能ではあるが、タンパク質-リガンド間の相互作用を支配する特定の電子構造現象を捉えきれないことが多い。

量子コンピューティングは、多項式スケールでFCIレベルの精度を実現する経路を提供するが、現在のNIS可中規模（NISQ）ハードウェアは、深い回路に必要なコヒーレンス深度を欠いている。さらに、既存のサンプリングベースの量子アルゴリズムであるQuantum-Selected Configuration Interaction (QSCI) や Sample-based Quantum Diagonalization (SQD) は、構造的な非効率性を抱えている。

QSCI は事後選択（post-selection）に依存しており、対称性を破るサンプルを破棄するため、低ノイズ・レジームでは部分空間が疎になり、収束が悪くなる。
SQD は、無効なサンプルを修復するために確率的な構成回復（Configuration Recovery: CR）を用いるが、これは化学的精度を達成するために、対称性制約のあるヒルベルト空間全体を飽和させる必要があり、結果として膨大な古典的対角化コストを招く。
アンザッツの初期化: 対抗となるLUCJ（Local Unitary Cluster Jastrow）などのアンザッツは、 $O(N^6)$ のCCSD初期化を必要とするため、大きなアクティブスペースに対しては計算コストが非常に高い。

2. 手法

本研究では、QARP (Quantum Application Research Package) を用い、Fujitsu FX700 理想状態ベクトルシミュレータ上で実行されるハイブリッド量子-古典ワークフローを提案する。この手法は、以下の3つの核心的な革新を統合している。

A. LCNot-UCCSD アンザッツ

著者らは、Linear Scaling CNOT Unitary Coupled Cluster Singles and Doubles (LCNot-UCCSD) アンザッツを利用している。標準的なUCCSD実装が $O(N^5)$ のCNOTカウントでスケールするのに対し、LCNot-UCCSDは量子励起ベース（QEB）の演算子を用いることで $O(N^4)$ へとスケールを抑えている。

初期化: パラメータはCCSD振幅（ $O(N^6)$ ）ではなく、MP2振幅（ $O(N^4)$ ）を用いて初期化されており、これにより古典的な前処理時間を大幅に削減している。
ハードウェア非依存性: この回路は、二重励起のために三重制御 $R_y$ ゲート（ $CCCR_y$ ）を採用している。FX700上では、これらはトランスパイルに伴う1量子ビットおよび2量子ビットゲートへの分解による深さの増大を回避し、マルチ量子ビットユニタリとしてネイティブにシミュレートされる。

B. QSCI-RBM: 生成的部分空間拡張

本論文では、SQDの確率的構成回復を**制限ボルツマンマシン（RBM）**に置き換えた、QSCI-RBMを導入している。

ワークフロー: 量子回路がビット列を生成する。粒子数 $N$ とスピン $S_z$ を保存する有効なサンプルを事後選択する。RBMは、これらの有効なサンプルを用いて、支配的な決定論子の確率分布を学習する。
反復的拡張: 学習されたRBMはギブスサンプリングを実行して、新たな対称性保持構成を生成する。これらは部分空間 $S_{sub}$ に統合され、その後、Davidsonソルバーを用いて古典的に対角化される。
利点: SQDが（単一軌道の反転を通じて）構成を増殖させ、しばしばヒルベルト空間を飽和させてしまうのに対し、RBMは波動関数の高確率なサポート上にサンプリングを集中させるため、コンパクトな部分空間を維持できる。

C. 密度行列埋め込み理論 (DMET)

大規模な分子系に対処するため、ワークフローはDMET内に組み込まれている。システムは不純物（例：SARS-CoV-2プロテアーゼ複合体に対して10個、アンタミジンに対して11個のフラグメント）に分割され、各不純物は環境を古典的に扱う中で、4 HOMO–4 LUMO アクティブスペース（最大16量子ビット/フラグメント）を用いて量子ソルバーによって独立して解かれる。

D. 制御された誤差解析

NISQとフォールトトレラント・レジームの間のギャップを埋めるため、著者らは14段階の制御された人工誤差（ $\sigma$ ）をスイープしている。測定前にランダムな回転 $R_y(\theta_i)$ が適用される（ここで $\theta_i \sim N(0, \sigma^2)$ ）。これにより、理想的なフォールトトレラント限界（ $\sigma=0$ ）からノイズの多いNISQ条件まで、アルゴリズムの堅牢性を評価することが可能となる。

3. 主要な結果

A. 8分子の STO-3G ベンチマーク

8つの分子（H2からN2）について、14の誤差レベルにわたって評価を行った：

SQDの性能: 理想的な状態（ $\sigma=0$ ）において、SQDはより大きな分子で化学的精度に達しない（最大270 mHaの誤差）。これは事後選択された部分空間が疎すぎるためである。SQDは、中間から高ノイズレベル（ $\sigma \ge 0.2$ から $2.0 $）において、フルヒルベルト空間の次元$ |S|$ の**72–100%**を必要とする場合にのみ、化学的精度に到達する。
QSCI-RBMの性能: すべての分子において、すべての14の誤差レベルで化学的精度（ $\le 1.59$ mHa）を達成した（理想的な $\sigma=0$ のケースを含む）。
部分空間のコンパクト性: $\sigma=0$ において、QSCI-RBMはCOおよびN2に対して、ヒルベルト空間のわずか25–27%を使用して化学的精度を達成した。これはSQDが要求する約97–100%と比較して、古典的対角化コストを73–74%削減したことを意味する。

B. N2 ポテンシャルエネルギー面 (PES) スキャン

cc-pVDZ基底における(4,4)アクティブスペースでの評価：

堅牢性: SQDは、低ノイズ時における平衡付近および結合解離時において不安定性と発散を示し、解決のために人工的なノイズ（ $\sigma=2.0$ ）を必要とした。
QSCI-RBM: $\sigma=0$ において、全PESにわたってCASCI参照エネルギーを正常に追跡し、化学的精度を維持した。
適応的スケーリング: RBMは、多参照性（圧縮された幾何構造での〜31%から解離時の〜100%まで）に基づいて、部分空間の被覆率を動的に調整する。一方、SQDは剛直な、ほぼ全域をカバーする被覆を強制する。

C. 創薬への応用 (DMET)

このワークフローは、STO-3G、6-31G、および cc-pVDZ 基底セットを用いて、アンタミジン（11フラグメント）およびSARS-CoV-2 メインプロテアーゼ (Mpro)–カルモフール複合体（10フラグメント）に適用された。

アンタミジン: QSCI-RBMは、すべての基底セットにおいて、 $\sigma=0$ および $\sigma=0.01$ で化学的精度を達成した（部分空間被覆率 $\eta_{sub}$ は0.17–0.29）。SQDは、収束のために高いノイズ（ $\sigma \ge 1.0$ ）と大きな部分空間（ $\eta_{sub} \approx 0.58–0.89$ ）を必要とした。
Mpro–Carmofur: これは、DMET-QSCIフレームワーク内でのこの複合体の最初の量子シミュレーションである。QSCI-RBMは、活性領域において $\sigma=0$ (STO-3G) および $\sigma=1.0$ (6-31G/cc-pVDZ) で化学的精度を達成した。
スケーラビリティ: 有効なスケールは、活性領域（10–11フラグメント）で約160–176量子ビットに達した。QSCI-RBMは、最適な動作点において、SQDよりも一貫して8–17%少ない部分空間被覆率を必要とし、これは古典的な対角化リソースの大幅な節約を意味する。

4. 意義と主張

著者らは、本研究がいくつかの「初」となる成果と重要な進展であると主張している：

初の展開: これは、量子シミュレータ上のQSCIワークフロー内でLCNot-UCCSDアンザッツを使用した最初の事例であり、また、産業界に関連するタンパク質-リガンド系（Mpro–Carmofur）にDMET-QSCI(LCNot-UCCSD)-RBMを適用した最初の事例である。
レジームの架け橋: 本研究は、現在のノイズの多いレジームから将来のフォールトトレラント・リミットまで効果的に機能する統一されたフレームワークを実証している。決定的なのは、QSCI-RBMが、SQDが失敗する（部分空間の疎化により）フォールトトレラント（低ノイズ）領域において優れていることを示した点である。対照的に、SQDは、計算コストが高くなる高ノイズ領域においてのみ堅牢となる。
効率性: $O(N^6)$ のCCSD初期化を $O(N^4)$ のMP2初期化に置き換え、RBMを用いて対角化部分空間を**36–74%**圧縮することで、本アプローチは、相関電子構造計算のためのより経済的な経路を提供する。
ハードウェアへの適合性: 本研究は、LCNot-UCCSDアンザッツが、ゲートエラー率が改善されれば、ネイティブなマルチ量子ビットゲート構造を持つ将来の中性原子（リドバーグ）ハードウェアに適していることを検証している。

結論として、最新の技術（Cleveland Clinic、RIKEN、IBMなどによるもの）に要する古典リソースのわずかな一部を利用することで、このハイブリッドワークフローは、より効率的でスケーラブルな創薬シミュレーションを可能にする。