⚛️ quantum physics

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

Dit artikel introduceert een hybride kwantum-klassieke workflow die LCNot-UCCSD-initialisatie en een op een Restricted Boltzmann Machine gebaseerd generatief model (QSCI-RBM combineert om efficiënt bindingsenergieën van eiwit-ligand te simuleren op noisy intermediate-scale quantum hardware, waarbij de effectiviteit ervan wordt aangetoond op industrieel relevante medicijn-doelwitten zoals Amantadine en het SARS-CoV-2-protease met verminderde computationele middelen.

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

Gepubliceerd 2026-06-30

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: De Perfecte Sleutel Vinden in een Gigantische Kluis

Stel je voor dat je probeert de perfecte sleutel te vinden om een specifieke deur te openen (een medicijnmolecuul dat bindt aan een virusproteïne). In de wereld van de chemie is deze "sleutel" de exacte rangschikking van elektronen.

Het Probleem: Het vinden van deze rangschikking is als het zoeken naar één specifiek zandkorreltje op een strand dat elke seconde groter wordt. Klassieke computers (de computers die we vandaag de dag gebruiken) raken overweldigd omdat het aantal mogelijkheden te groot is.
De Belofte van Quantumcomputers: Quantumcomputers zijn als magische zaklampen die tegelijkertijd op veel zandkorrels kunnen schijnen. De huidige quantumcomputers zijn echter erg "ruizig" (als een zaklamp die flikkert tijdens een storm), waardoor het moeilijk is om het juiste korreltje duidelijk te zien.
Het Doel: Dit artikel presenteert een nieuwe methode om deze quantumzaklampen effectief te gebruiken, zelfs wanneer ze flikkeren, en bereidt ze voor op een toekomst waarin ze perfect stabiel zijn.

De Drie Belangrijkste Ingrediënten

De onderzoekers combineerden drie krachtige instrumenten om dit probleem op te lossen:

1. Het "Slimme Blauwdruk" (LCNot-UCCSD)

Beschouw de quantumcomputer als een bouwplaats. Om de juiste structuur te bouwen (de energietoestand van het molecuul), heb je een blauwdruk nodig.

De Oude Manier: De oude blauwdrukken waren als een enorme handleiding van 10.000 pagina's die eeuwig duurde om op te schrijven (computationeel duur).
De Nieuwe Manier: De auteurs gebruikten een nieuwe blauwdruk genaamd LCNot-UCCSD. Het is een "slimme samenvatting" die de handleiding terugbrengt naar slechts 100 pagina's. Het gebruikt een kortere route gebaseerd op een simpelere berekening (MP2) om direct 90% van de weg te leggen, wat een enorme hoeveelheid tijd en moeite bespaart.

2. De "Ruizige Zaklamp" versus De "Perfecte Simulator"

Het team testte hun methode op de Fujitsu FX700, een superkrachtige simulator.

De Analogie: Stel je voor dat je leert piano spelen. Je kunt oefenen op een echte, kapotte piano met kleverige toetsen (huidige echte quantumcomputers), of je kunt oefenen op een perfecte, digitale piano die precies simuleert hoe de muziek zou moeten klinken zonder enige kapotte toetsen.
Waarom ze dit deden: De auteurs wilden hun methode eerst in een "perfecte" omgeving testen om te zien hoe het zou moeten werken, en voegden vervolgens bewust "ruis" (kapotte toetsen) toe aan de simulatie om te zien of hun methode nog steeds de juiste melodie kon vinden. Ze testten 14 verschillende niveaus van "kapotheid", van perfect tot zeer chaotisch.

3. De "Generatieve AI-Assistent" (QSCI-RBM)

Dit is de grootste innovatie van het artikel.

De Oude Methode (SQD): Wanneer de quantumcomputer een fout maakt (een "ruizig" resultaat), probeert de oude methode elke enkele fout te herstellen door te gokken en te controleren. Het is als een bibliothecaris die probeert een rommelige boekenkast te herstellen door handmatig elk boek dat eraf is gevallen, opnieuw op de plank te zetten. Naarmate de bibliotheek groter wordt, duurt dit eeuwig.
De Nieuwe Methode (QSCI-RBM): De auteurs voegden een Generatieve AI (een Restricted Boltzmann Machine) toe. In plaats van elke fout te herstellen, leert de AI het patroon van de juiste boeken.
- De Analogie: Stel je voor dat de AI een superintelligente bibliothecaris is die naar de enkele juiste boeken op de plank kij{%_t} en de "vibe" van de juiste sectie leert, en vervolgens nieuwe, juiste boeken genereert om de gaten op te vullen. Hij probeert niet de rommelige boeken te repareren; hij creëert gewoon een compacte, perfecte lijst van de belangrijkste boeken die nodig zijn om het puzzel op te lossen.
- Het Resultaat: Dit houdt de lijst met boeken (de "subspace") klein en beheersbaar, zelfs als de bibliotheek (het molecuul) enorm groot wordt.

Wat Ze Eigenlijk Hebben Gedaan (De Experimenten)

Het team heeft niet alleen over theorie gepraat; ze hebben enorme simulaties uitgevoerd.

De Kleine Test: Ze begonnen met 8 eenvoudige moleculen (zoals water en methaan) om te bewijzen dat de nieuwe "Slimme Blauwdruk" en "AI-Assistent" samenwerkten.
- Resultaat: Zelfs toen ze zware "ruis" aan de simulatie toevoegden, vond de AI-ondersteunde methode elke keer het juiste antwoord, terwijl de oude methode faalde, tenzij de ruis precies goed was.
De Rektest: Ze simuleerden een stikstofmolecuul dat uit elkaar wordt getrokken (zoals een elastiekje dat je uitrekt tot het knapt). Dit is een zeer moeilijke test voor computers.
- Resultaat: De nieuwe methode bleef nauwkeurig en vloeiend. De oude methode raakte in de war en stortte in, tenzij er kunstmatig ruis werd toegevoegd om het proces te laten "wiebelen" zodat het weer werkte.
De Real-World Test (Medicijnontwikkeling): Dit is het hoogtepunt. Ze pasten hun methode toe op twee echte scenario's:
- Amantadine: Een griepmedicijn.
- Mpro–Carmofur: Een complexe interactie tussen het SARS-CoV-2-virus (de hoofdprotease) en een medicijn genaamd Carmofur.
- De Uitdaging: Deze moleculen zijn te groot voor een quantumcomputer om in één keer aan te kunnen. Daarom gebruikten ze een techniek genaamd DMET (Density Matrix Embedding Theory).
- De Analogie: Stel je voor dat je een gigantische legpuzzel van een hele stad probeert op te lossen. In plaats van naar de hele stad te kijken, breek je deze op in 10 of 11 wijken (fragmenten). Je lost elke wijk afzonderlijk op en voegt ze vervolgens weer samen.
- De Schaal: Ze simuleerden deze "wijken" met behulp van tot wel 176 qubits (het equivalent van een enorme quantumcomputer) binnen één enkel framework.
- Het Resultaat: Hun nieuwe methode (LCNot-UCCSD + AI) slaagde erin de energie van deze interacties tussen medicijn en doelwit met hoge nauwkeurigheid te berekenen, waarbij ze veel minder computationele middelen gebruikten dan eerdere methoden.

Waarom Dit Er Toe Doet (Volgens het Artikel)

Efficiëntie: De nieuwe methode is als de overstap van een paard-en-wagen naar een hogesnelheidstrein. Het vermindert de tijd die nodig is om de "blauwdruk" van de quantumcomputer voor te bereiden met een enorme marge (van $O(N^6)$ naar $O(N^4)$ ).
Schaalbaarheid: De "AI-Assistent" (RBM) is de sleutel tot schaalvergroting. Naarmate moleculen groter worden, vereist de oude methode het bekijken van bijna alles (100% van de mogelijkheden). De nieuwe methode hoeft alleen een kleine, slimme subset te bekijken (25–30%), wat het mogelijk maakt om in de toekomst veel grotere medicijnmoleculen te simuleren.
Toekomstbestendigheid: Hoewel huidige quantumcomputers ruizig zijn, werkt deze methode perfect in een "ruisvrije" simulatie (die een toekomstige, perfecte quantumcomputer vertegenwoordigt) én gaat het goed om met ruis. Het overbrugt de kloof tussen de rommelige machines van vandaag en de perfecte machines van morgen.

Samenvatting in één zin

De auteurs hebben een nieuwe, efficiënte manier ontwikkend om quantumcomputers te gebruiken om te simuleren hoe medicijnen binden aan virussen, door een slimmere wiskundige blauwdruk te combineren met een generatieve AI die de berekeningen klein en nauwkeurig houdt, waarbij ze succesvol hebben getest op complexe real-world medicijn-doelwitten zoals de SARS-CoV-2 protease.

Technische Samenvatting: Het overbruggen van NISQ- en Fault-Tolerante Regimes via Generatieve ML-ondersteunde QSCI

1. Probleemstelling

De nauwkeurige berekening van bindingsenergieën voor eiwit-ligand-systemen is een kritieke bottleneck in de geneesmiddelenontwikkeling. Klassieke methoden worden geconfronteerd met een fundamentele afruil: hoog-nauwkeurige coupled-cluster theorie (CCSD(T)) schaalt als $O(N_{orb}^7)$ , wat onhandelbaar wordt voor grote systemen, terwijl Full Configuration Interaction (FCI) exponentieel schaalt. Daarentegen is Density Functional Theory (DFT) weliswaar hanteerbaar, maar faalt het vaak in het vastleggen van de specifieke elektronische structuurfenomenen die eiwit-ligand interacties beheersen.

Quantum computing biedt een pad naar FCI-niveau nauwkeurigheid met polynomiale schaling, maar huidige Noisy Intermediate-Scale Quantum (NISQ) hardware mist de coherentiediepte die vereist is voor diepe circuits. Bovendien lijden bestaande sampling-gebaseerde quantumalgoritmen zoals Quantum-Selected Configuration Interaction (QSCI) en Sample-based Quantum Diagonalization (SQD) aan structurele inefficiënties:

QSCI vertrouwt op post-selectie, waarbij symmetie-schendende samples worden weggegooid, wat leidt tot een ijle subspace in lage-ruis regimes en slechte convergentie.
SQD gebruikt stochastische configuratieherstel (CR) om ongeldige samples te repareren, maar dit vereist vaak het verzadigen van de volledige symmetrie-beperkte Hilbertruimte om chemische nauwkeurigheid te bereiken, wat resulteert in prohibitieve klassieke diagonalisatiekosten.
Ansatz Initialisatie: Concurrerende ansätze zoals Local Unitary Cluster Jastrow (LUCJ) vereisen $O(N^6)$ CCSD initialisatie, wat computationeel zeer kostbaar is voor grote actieve ruimtes.

2. Methodologie

Dit werk stelt een hybride quantum-klassieke workflow voor die wordt uitgevoerd op de Fujitsu FX700 ideale state-vector simulator met behulp van de Quantum Application Research Package (QARP). De methodologie integreert drie kerninnovaties:

A. De LCNot-UCCSD Ansatz

De auteurs maken gebruik van de Linear Scaling CNOT Unitary Coupled Cluster Singles and Doubles (LCNot-UCCSD) ansatz. In tegenstelling tot standaard UCCSD implementaties die schalen als $O(N^5)$ in CNOT-count, gebruikt LCNot-UCCSD qubit-excitatie-gebaseerde (QEB) operatoren die schalen als $O(N^4)$ .

Initialisatie: Parameters worden geïnitialiseerd met behulp van MP2 amplitudes ( $O(N^4)$ ) in plaats van CCSD amplitudes ( $O(N^6)$ ), wat de klassieke preprocessing tijd aanzienlijk verkort.
Hardware Agnosticisme: Het circuit maakt gebruik van drievoudig gecontroleerde $R_y$ gates ( $CCCR_y$ ) voor dubbele excitaties. Op de FX700 worden deze genoteerd als native multi-qubit unitaries zonder decompositie, waardoor de diepte-inflatie die gepaard gaat met transpilatie naar 1- en 2-qubit gates wordt vermeden.

B. QSCI-RBM: Generatieve Subspace Expansie

Het artikel introduceert QSCI-RBM, een variant die de stochastische configuratieherstel van SQD vervangt door een Restricted Boltzmann Machine (RBM).

Workflow: Het quantumcircuit genereert bitstrings. Geldige samples (die het deeltjesaantal $N$ en spin $S_z$ behouden) worden gepost-selecteerd. Een RBM wordt getraind op deze geldige samples om de waarschijnlijkheidsverdeling van dominante determinanten te leren.
Iteratieve Expansie: De getrainde RBM voert Gibbs sampling uit om nieuwe, symmetrie-geldige configuraties te genereren. Deze worden samengevoegd in de subspace $S_{sub}$ , die vervolgens klassiek wordt gediagonaliseerd met een Davidson solver.
Voordeel: In tegenstelling tot SQD, dat configuraties doet prolifereren via single-orbital flips (wat vaak de volledige Hilbertruimte verzadigt), concentreert de RBM de sampling op de hoog-waarschijnlijke support van de wavefunction, waardoor een compacte subspace behouden blijft.

C. Density Matrix Embedding Theory (DMET)

Om grote moleculaire systemen aan te pakken, wordt de workflow ingebed binnen DMET. Het systeem wordt gefragmenteerd in onzuiverheden (bijv. 10 fragmenten voor het SARS-CoV-2 protease complex, 11 voor Amantadine), waarbij elke onzuiverheid onafhankelijk wordt opgelost met de quantum solver met een 4 HOMO–4 LUMO actieve ruimte (maximaal 16 qubits per fragment), terwijl de omgeving klassiek wordt behandeld.

D. Gecontroleerde Foutanalyse

Om de kloof tussen NISQ en fault-tolerante regimes te overbruggen, doorlopen de auteurs 14 niveaus van gecontroleerde kunstmatige fout ( $\sigma$ ). Een willekeurige rotatie $R_y(\theta_i)$ wordt toegepast vóór meting, waarbij $\theta_i \sim N(0, \sigma^2)$ . Dit maakt de evaluatie mogelijk van de algoritmische robuustheid van het ideale fault-tolerante limiet ( $\sigma=0$ ) tot ruizige NISQ-condities.

3. Belangrijkste Resultaten

A. Acht-moleculen STO-3G Benchmark

Geëvalueerd op acht moleculen (H2 tot N2) over 14 fouteniveaus:

SQD Prestaties: Bij $\sigma=0$ (ideaal) bereikt SQD geen chemische nauwkeurigheid voor grotere moleculen (fouten tot 270 mHa) omdat de gepost-selecteerde subspace te ijl is. Het bereikt pas chemische nauwkeurigheid bij intermediaire- tot hoog-ruis niveaus ( $\sigma \ge 0.2$ tot $2.0$), waar het 72–100% van de volledige Hilbertruimte dimensie $|S|$ vereist.
QSCI-RBM Prestaties: Bereikt chemische nauwkeurigheid ( $\le 1.59$ mHa) over alle 14 fouteniveaus voor alle moleculen, inclusief het ideale $\sigma=0$ geval.
Subspace Compactheid: Bij $\sigma=0$ bereikt QSCI-RBM chemische nauwkeurigheid met slechts 25–27% van de Hilbertruimte voor CO en N2, vergeleken met de vereiste van ~97–100% voor SQD. Dit vertegenwoordigt een reductie van 73–74% in de klassieke diagonalisatiekosten.

B. N2 Potentiële Energie Oppervlak (PES) Scan

In de cc-pVDZ basis met een (4,4) actieve ruimte:

Robuustheid: SQD vertoont instabiliteit en divergentie nabij evenwicht en tijdens bindingsdissociatie bij lage ruis, waarbij kunstmatige ruis ( $\sigma=2.0$ ) nodig is om de oplossing te regulariseren.
QSCI-RBM: Volgt succesvol de CASCI referentie-energie over de gehele PES bij $\sigma=0$ , waarbij chemische nauwkeurigheid behouden blijft.
Adaptieve Schaling: De RBM past de subspace dekking dynamisch aan op basis van de multireference karakter (van ~31% bij gecomprimeerde geometrieën tot ~100% bij dissociatie), terwijl SQD een rigide, bijna volledige dekking afdwingt.

C. Drug-Target Toepassingen (DMET)

De workflow werd toegepast op Amantadine (11 fragmenten) en het SARS-CoV-2 Main Protease (Mpro)–Carmofur complex (10 fragmenten) over STO-3G, 6-31G, en cc-pVDZ basissets.

Amantadine: QSCI-RBM bereikte chemische nauwkeurigheid bij $\sigma=0$ en $\sigma=0.01$ over alle basissets met subspace coverages ( $\eta_{sub}$ ) van 0.17–0.29. SQD vereiste hogere ruis ( $\sigma \ge 1.0$ ) en grotere subspaces ( $\eta_{sub} \approx 0.58–0.89$ ) om te convergeren.
Mpro–Carmofur: Dit is de eerste quantum simulatie van dit complex binnen een DMET-QSCI framework. QSCI-RBM bereikte chemische nauwkeurigheid voor de actieve regio bij $\sigma=0$ (STO-3G) en $\sigma=1.0$ (6-31G/cc-pVDZ).
Schaalbaarheid: De effectieve schaal bereikte ~160–176 qubits voor de actieve regio's (10–11 fragmenten). QSCI-RBM vereiste consequent 8–17% minder subspace dekking dan SQD bij optimale werkpunten, wat vertaalt naar significante besparingen in klassieke diagonalisatiebronnen.

4. Betekenis en Claims

De auteurs beweren dat dit werk verschillende "eersten" en kritieke vooruitgang vertegenwoordigt:

Eerste Implementatie: Dit is het eerste gebruik van de LCNot-UCCSD ansatz binnen een QSCI workflow op een quantum simulator, en de eerste toepassing van DMET-QSCI(LCNot-UCCSD)-RBM op een industrieel relevant eiwit-ligand systeem (Mpro–Carmofur).
Bruggen Tussen Regimes: De studie demonstreert een verenigd framework dat effectief functioneert van het huidige ruis regime tot het toekomstige fault-tolerante limiet. Cruciaal is dat QSCI-RBM uitblinkt in het fault-tolerante (laag-ruis) regime waar SQD faalt door subspace schaarste, terwijl SQD alleen robuust is in hoog-ruis regimes waar het computationeel duur wordt.
Efficiëntie: Door $O(N^6)$ CCSD initialisatie te vervangen door $O(N^4)$ MP2 initialisatie en een RBM te gebruiken om de diagonalisatie subspace met 36–74% te comprimeren, biedt de aanpak een economischer pad naar gecorreleerde elektronische structuur berekeningen voor geneesmiddelenontwikkeling.
Hardware Relevantie: Het werk valideert dat de LCNot-UCCSD ansatz, met zijn native multi-qubit gate structuur, goed geschikt is voor toekomstige neutrale-atoom (Rydberg) hardware, mits de gate error rates verbeteren.

De paper concludeert dat door een fractie van de klassieke resources te gebruiken die vereist zijn voor state-of-the-art werken van Cleveland Clinic, RIKEN en IBM, deze hybride workflow meer efficiënte en schaalbare geneesmiddelenontwikkeling simulaties mogelijk maakt.