Efficient Block Encodings for Ensembles of Molecular Hamiltonians

Om te begrijpen hoe een medicijnmolecuul werkt, moeten wetenschappers er vaak niet naar kijken als een enkel, bevroren object, maar als een flexibele vorm die verschuift en draait. Moleculen trillen, roteren en veranderen voortdurend hun interne hoeken, en deze bewegingen bepalen hoe ze interageren met het menselijk lichaam. Om deze gedragingen te voorspellen, moeten onderzoekers de energie van een molecuul berekenen over duizenden verschillende vormen, een taak die een enorm landschap van mogelijkheden creëert. Decennialang zijn quantumcomputers voorgesteld als het ultieme hulpmiddel voor het oplossen van de complexe vergelijkingen die deze moleculaire energieën beschrijven. Echter, traditionele quantummethoden behandelen elke vorm als een apart probleem, waardoor de computer een afzonderlijke, dure berekening moet uitvoeren voor elke singuliere configuratie. Deze aanpak wordt onpraktisch wanneer het aantal vormen oploopt tot duizenden, omdat de computationele kosten in directe verhouding staan tot het aantal vormen stijgen, waardoor zelfs de krachtigste machines snel worden overbelast.

Een team van onderzoekers van PsiQuantum en Boehringer Ingelheim heeft een nieuwe methode ontwikkeld om deze flessenhals te omzeilen, waardoor een quantumcomputer een hele familie van moleculaire vormen tegelijkertijd kan verwerken. In plaats van duizenden verschillende moleculaire geometrieën als aparte, ongerelateerde puzzels te behandelen, vonden de onderzoekers een manier om de diepe gelijkenissen tussen hen te herkennen. Ze ontwikkelden een techniek genaamd SVD-THC, die fungeert als een meestersleutel voor een hele set sloten. Door de wiskundige patronen te analyseren die gedeeld worden over alle vormen in een groep, kan de methode de informatie van duizenden geometrieën comprimeren tot één enkele, verenigde schakeling (circuit). Dit stelt de quantumcomputer in staat om het gehele ensemble van vormen tegelijkert of de individuele vormen één voor één te verwerken.

De onderzoekers testten deze aanpak op drie verschillende moleculaire systemen, variërend van een eenvoudige keten van atomen tot complexe peptide-structuren die de bouwstenen van eiwitten nabootsen. Ze genereerden rasters van duizenden vormen voor elk molecuul, waarbij de grootste set meer dan vijfduizend verschillende configuraties bevatte. In deze simulatiesies bleek de nieuwe methode opmerkelijk efficiënt. Waar de traditionele aanpak de computer zou vereisen om voor elke vorm een afzonderlijke, volledige berekening uit te voeren, bouwde de nieuwe methode een enkele schakeling die de hele groep afhandelde. Naarmate het aantal vormen toenam, veranderde de computationele kost van de nieuwe methode nauwelijks, terwijl de kosten van de oude methode steil omhoog schoten. Voor de grootste testcase met betrekking tot het alanine-dipeptide molecuul met 5.184 geometrieën, verminderde de nieuwe methode het aantal benodigde fundamentele logische poorten met een factor 200 vergeleken met de standaardaanpak. Zelfs voor kleinere groepen vormen waren de besparingen aanzienlijk, waarbij de methode efficiënter werd dan de traditionele manier zodra de groepsgrootte slechts enkele tientallen geometrieën bereikte.

De kern van deze prestatie ligt in de manier waarop de onderzoekers de gegevens hebben georganiseerd. Ze realiseerden zich dat hoewel de posities van atomen veranderen van de ene vorm naar de andere, de onderliggende elektronische interacties vaak een voorspelbaar, laag-rang patroon volgen. Door een wiskundige decompositie te gebruiken om de gedeelde elektronische structuur te scheiden van de specifie