Resumo Técnico: Unindo os Regimes NISQ e de Tolerância a Falhas via QSCI Assistido por ML Generativo

1. Declaração do Problema

O cálculo preciso das energias de ligação para sistemas proteína-ligante é um gargalo crítico na descoberta de fármacos. Métodos clássicos enfrentam um compromisso fundamental: a teoria de cluster acoplado de alta precisão (CCSD(T)) escala como $O(N_{orb}^7)$, tornando-se intratável para sistemas grandes, enquanto a Interação de Configuração Total (FCI) escala exponencialmente. Por outro outro lado, a Teoria do Funcional da Densidade (DFT) é tratável, mas frequentemente falha em capturar os fenômenos específicos da estrutura eletrônica que regem as interações proteína-ligante.

A computação quântica oferece um caminho para a precisão de nível FCI com escalonamento polinomial, mas o hardware atual de Escala Intermediária com Ruído (NISQ) carece da profundidade de coerência necessária para circuitos profundos. Além disso, algoritmos quânticos baseados em amostragem existentes, como a Interação de Configuração Quântica Selecionada (QSCI) e a Diagonalização Quântica Baseada em Amostragem (SQD), sofrem de ineficiências estruturais:

• QSCI depende de pós-seleção, descartando amostras que violam a simetria, o que leva a um subespaço esparso em regimes de baixo ruído e uma convergência pobre.
• SQD utiliza a recuperação de configuração estocástica (CR) para reparar amostras inválidas, mas isso frequentemente exige a saturação de todo o espaço de Hilbert restrito pela simetria para atingir a precisão química, resultando em custos de diagonalização clássica proibitivos.
• Inicialização do Ansatz: Ansätze concorrentes como o Local Unitary Cluster Jastrow (LUCJ) requerem inicialização CCSD de $O(N^6)$, o que é computacionalmente caro para grandes espaços ativos.

2. Metodologia

Este trabalho propõe um fluxo de trabalho híbrido quântico-clássico executado no simulador de estado vetorial ideal Fujitsu FX700 utilizando o Quantum Application Research Package (QARP). A metodologia integra três inovações principais:

A. O Ansatz LCNot-UCCSD

Os autores utilizam o ansatz Linear Scaling CNOT Unitary Coupled Cluster Singles and Doubles (LCNot-UCCSD). Diferente das implementações UCCSD padrão que escalam como $O(N^5)$ em contagem de CNOT, o LCNot-UCCSD utiliza operadores baseados em excitação de qubit (QEB) para escalar como $O(N^4)$.

• Inicialização: Os parâmetros são inicializados usando amplitudes MP2 ($O(N^4)$) em vez de amplitudes CCSD ($O(N^6)$), reduzindo significativamente o tempo de pré-processamento clássico.
• Agnosticismo de Hardware: O circuito emprega portas $R_y$ triplamente controladas ($CCCR_y$) para excitações duplas. No FX700, estas são simuladas nativamente como unitárias multiqubit sem decomposição, evitando a inflação de profundidade associada à transpilação para portas de 1 e 2 qubits.

B. QSCI-RBM: Expansão de Subespaço Generativa

O artigo introduz o QSCI-RBM, uma variante que substitui a recuperação de configuração estocástica da SQD por uma Máquina de Boltzmann Restrita (RBM).

• Fluxo de Trabalho: O circuito quântico gera bitstrings. Amostras válidas (conservando o número de partículas $N$ e o spin $S_z$) são pós-selecionadas. Uma RBM é treinada nestas amostras válidas para aprender a distribuição de probabilidade dos determinantes dominantes.
• Expansão Iterativa: A RBM treinada realiza amostragem de Gibbs para gerar novas configurações válidas de simetria. Estas são fundidas no subespaço $S_{sub}$, que é então diagonalizado classicamente usando um solver de Davidson.
• Vantagem: Ao contrário da SQD, que prolifera configurações via inversões de orbital único (frequentemente saturando o espaço de Hilbert), a RBM concentra a amostragem no suporte de alta probabilidade da função de onda, mantendo um subespaço compacto.

C. Teoria de Embutimento de Matriz de Densidade (DMET)

Para abordar grandes sistemas moleculares, o fluxo de trabalho é embutido no DMET. O sistema é fragmentado em impurezas (ex: 10 fragmentos para o complexo protease SARS-CoV-2, 11 para Amantadina), onde cada impureza é resolvida independentemente pelo solver quântico com um espaço ativo de 4 HOMO–4 LUMO (máximo de 16 qubits por fragmento), enquanto o ambiente é tratado classicamente.

D. Análise de Erro Controlada

Para unir os regimes NISQ e de tolerância a falhas, os autores realizam varreduras de 14 níveis de erro artificial controlado ($\sigma$). Uma rotação aleatória $R_y(\theta_i)$ é aplicada antes da medição, onde $\theta_i \sim N(0, \sigma^2)$. Isso permite a avaliação da robustez algorítmica desde o limite ideal de tolerância a falhas ($\sigma=0$) até condições NISQ ruidosas.

3. Resultados Principais

A. Benchmark STO-3G de Oito Moléculas

Avaliado em oito moléculas (H2 a N2) através de 14 níveis de erro:

• Desempenho da SQD: Em $\sigma=0$ (ideal), a SQD falha em atingir a precisão química para moléculas maiores (erros de até 270 mHa) porque o subespaço pós-selecionado é muito esparso. Ela só atinge a precisão química em níveis de ruído intermediários a altos ($\sigma \ge 0.2$ a $2.0$), onde requer 72–100% da dimensão do espaço de Hilbert total $|S|$.
• Desempenho do QSCI-RBM: Atinge a precisão química ($\le 1.59$ mHa) em todos os 14 níveis de erro para todas as moléculas, incluindo o caso ideal $\sigma=0$.
• Compactação de Subespaço: Em $\sigma=0$, o QSCI-RBM atinge a precisão química usando apenas 25–27% do espaço de Hilbert para CO e N2, comparado ao requisito de ~97–100% da SQD. Isso representa uma redução de 73–74% no custo de diagonalização clássica.

B. Varredura de Superfície de Energia Potencial (PES) de N2

Na base cc-pVDZ com um espaço ativo (4,4):

• Robustez: A SQD exibe instabilidade e divergência próximo ao equilíbrio e durante a dissociação da ligação em baixo ruído, exigindo ruído artificial ($\sigma=2.0$) para regularizar a solução.
• QSCI-RBM: Segue com sucesso a energia de referência CASCI em toda a PES em $\sigma=0$, mantendo a precisão química.
• Escalonamento Adaptativo: A RBM ajusta dinamicamente a cobertura do subespaço com base no caráter multireferência (de ~31% em geometrias comprimidas a ~100% na dissociação), enquanto a SQD impõe uma cobertura rígida e quase total.

C. Aplicações em Fármacos-Alvo (DMET)

O fluxo de trabalho foi aplicado à Amantadina (11 fragmentos) e ao complexo Protease Principal (Mpro)–Carmofur da SARS-CoV-2 (10 fragmentos) através das bases STO-3G, 6-31G e cc-pVDZ.

• Amantadina: O QSCI-RBM atingiu a precisão química em $\sigma=0$ e $\sigma=0.01$ em todas as bases com coberturas de subespaço ($\eta_{sub}$) de 0.17–0.29. A SQD exigiu maior ruído ($\sigma \ge 1.0$) e subespaços maiores ($\eta_{sub} \approx 0.58–0.89$) para convergir.
• Mpro–Carmofur: Este representa a primeira simulação quântica deste complexo dentro de um framework DMET-QSCI. O QSCI-RBM alcançou a precisão química para a região ativa em $\sigma=0$ (STO-3G) e $\sigma=1.0$ (6-31G/cc-pVDZ).
• Escalabilidade: O escalonamento efetivo atingiu ~160–176 qubits para as regiões ativas (10–11 fragmentos). O QSCI-RBM consistentemente exigiu 8–17% menos cobertura de subespaço do que a SQD nos pontos operacionais ótimos, traduzindo-se em economias significativas de recursos de diagonalização clássica.

4. Significância e Alegações

Os autores afirmam que este trabalho representa vários "primeiros" e avanços críticos:

1. Primeiro Implementação: Este é o primeiro uso do ansatz LCNot-UCCSD dentro de um fluxo de trabalho QSCI em um simulador quântico, e a primeira aplicação de DMET-QSCI(LCNot-UCCSD)-RBM a um sistema proteína-ligante de relevância industrial (Mpro–Carmofur).
2. Unindo Regimes: O estudo demonstra um framework unificado que funciona efetivamente desde o atual regime ruidoso até o futuro limite de tolerância a falhas. Crucialmente, mostra que o QSCI-RB excel em excel no regime de tolerância a falhas (baixo ruído) onde a SQD falha devido à esparsidade do subespaço, enquanto a SQD só é robusta em regimes de alto ruído, onde se torna computacionalmente cara.
3. Eficiência: Ao substituir a inicialização CCSD de $O(N^6)$ por inicialização MP2 de $O(N^4)$ e usar RBM para comprimir o subespaço de diagonalização em 36–74%, a abordagem oferece um caminho mais econômico para cálculos de estrutura eletrônica correlacionada para a descoberta de fármacos.
4. Relevância de Hardware: O trabalho valida que o ansatz LCNot-UCCSD, com sua estrutura de porta multiqubit nativa, é bem adequado para o futuro hardware de átomos neutros (Rydberg), desde que as taxas de erro de porta melhorem.

O artigo conclui que, ao utilizar uma fração dos recursos clássicos exigidos por trabalhos de ponta da Cleveland Clinic, RIKEN e IBM, este fluxo de trabalho híbrido permite simulações de descoberta de fármacos mais eficientes e escaláveis.