Benchmarking a randomized quantum algorithm for estimating expectation values of molecular observables

Na busca para compreender como a matéria se comporta em seu nível mais fundamental, os cientistas há muito recorrem à química quântica, um campo dedicado a prever as propriedades das moléculas. Durante décadas, os supercomputadores clássicos mais poderosos lutaram com essa tarefa, esbarrando em um muro quando as moléculas se tornam grandes ou quando seus elétrons interagem de maneiras complexas. A promessa da computação quântica é saltar sobre esse muro usando as estranhas regras da mecânica quântica para simular esses sistemas diretamente. No entanto, as máquinas quânticas que conseguimos construir hoje ainda são pequenas demais e propensas demais a erros para executar as simulações perfeitas e complexas exigidas por problemas do mundo real. Para preencher essa lacuna, pesquisadores desenvolveram algoritmos de "tolerância a falhas precoce". Estes são contornos inteligentes projetados para rodar em hardware imperfeito ao trocar um recurso por outro: eles utilizam circuitos de computador muito mais curtos e simples, mas devem executar esses circuitos muito, muito mais vezes para obter uma resposta confiável. A questão central para o futuro deste campo é se essa troca é realmente prática ou se o número absoluto de vezes que se precisaria rodar a máquina torna a abordagem impossível para as grandes moléculas que as empresas farmacêuticas e cientistas de materiais realmente precisam estudar.

Uma equipe de pesquisadores partiu para testar um método específico e promissor projetado para resolver este problema, focando na tarefa de estimar os valores médios de propriedades moleculares, como as forças que mantêm os átomos unidos. Este método, conhecido como algoritmo de amostragem aleatória de propriedades do estado fundamental, foi proposto por Wang e colegas. A ideia é elegante: em vez de tentar construir um único circuito quântico massivo e livre de erros para medir o comportamento de uma molécula, o algoritmo divide o problema em milhares de pequenos passos aleatórios. Ele utiliza um único bit quântico extra para ajudar e, ao repetir esses passos simples repetidamente, constrói um quadro estatístico do estado da molécula. A esperança era que esta abordagem fosse eficiente o suficiente para rodar nos computadores quânticos do futuro próximo. Para descobrir se essa esperança era realista, a equipe realizou simulações numéricas detalhadas em uma molécula de hidrogênio simples e, em seguida, usou estimativas matemáticas para projetar como o método desempenharia em um sistema muito maior e de relevância industrial: o sítio ativo do citocromo P450, uma enzima crucial no corpo humano que ajuda a metabolizar drogas.

Os pesquisadores começaram simulando o algoritmo em uma molécula de hidrogênio, um sistema pequeno o suficiente para ser modelado perfeitamente em um computador clássico. Isso permitiu verificar o quão bem os limites de erro teóricos previstos pelos criadores do algoritmo correspondiam à realidade. Eles descobriram que as fórmulas matemáticas usadas para prever o erro de pior caso eram excessivamente pessimistas; os erros reais em suas simulações eram muito menores do que as fórmulas sugeriam. No entanto, as fórmulas para quanto tempo a simulação quântica precisaria rodar foram bastante precisas, apenas superestimando ligeiramente o tempo necessário. Esta foi uma pequena vitória para a teoria, sugerindo que a matemática não estava totalmente errada. Mas quando olharam para o número total de vezes que o computador quântico precisaria rodar esses circuitos, o cenário mudou drasticamente. Mesmo para a pequena molécula de hidrogênio, o algoritmo exigiu um número enorme de amostras para obter uma resposta precisa, e esse número cresceu explosivamente conforme o sistema ficava maior.

A equipe então voltou sua atenção para a enzima citocromo P450, um sistema de grande importância para a indústria farmacêutica. Eles modelaram diferentes versões desta molécula, variando de versões simplificadas pequenas até um espaço ativo muito grande e detalhado contendo dezenas de elétrons e orbitais. Usando os dados de suas simulações e os limites matemáticos do algoritmo, eles calcularam os recursos necessários para atingir a precisão química, que é o nível de precisão necessário para fazer previsões úteis para o design de drogas. Os resultados foram severos. Para a versão mais pequena da molécula, o algoritmo exigiria aproximadamente dez bilhões de amostras apenas para estimar uma única propriedade. À medida que aumentavam o tamanho do modelo molecular para incluir mais elétrons e orbitais, o número de amostras necessárias disparava, atingindo um impressionante um quadrilhão para o maior sistema considerado. Para colocar isto em perspectiva, o número de amostras necessárias para o maior sistema é tão vasto que levaria um tempo e energia impraticáveis para coletar, mesmo em um computador quântico perfeito.

O estudo também explorou se os pesquisadores poderiam simplesmente tornar os circuitos mais rasos para economizar tempo, contando com a flexibilidade do algoritmo para trocar profundidade de circuito por mais amostras. Eles descobriram que, embora tornar os circuitos mais curtos reduzisse a complexidade de cada execução individual, isso fazia com que o número de amostras necessárias explodisse exponencialmente. Não havia um ponto ideal onde o método se tornasse fácil; reduzir demais a profundidade do circuito simplesmente tornava a carga de trabalho total incontrolável. Os pesquisadores concluíram que, embora o algoritmo seja teoricamente sólido e ofereça uma maneira única de lidar com hardware imperfeito, o overhead de medição — o número absoluto de vezes que a máquina deve ser executada — é atualmente proibitivo para aplicações industriais. Os principais fatores de custo foram o tamanho da molécula e a dificuldade de preparar o estado inicial correto, fatores que o algoritmo não consegue superar facilmente com seu design atual.

Em última análise, este trabalho serve como um importante choque de realidade para o campo da química quântica. Demonstra que, embora os algoritmos aleatórios ofereçam um caminho promissor para computadores quânticos iniciais, eles ainda não estão prontos para resolver os problemas complexos que impulsionam as indústrias farmacêutica e de materiais. O hiato entre o potencial teórico desses métodos e sua viabilidade prática permanece amplo. Os pesquisadores sugerem que, para que estes algoritmos se tornem verdadeiramente competitivos, são necessários avanços significativos, seja na forma como as medições são feitas para reduzir o número de amostras necessárias, ou em como os próprios algoritmos escalam com o tamanho do sistema. Até que tais melhorias sejam feitas, o sonho de usar estas máquinas quânticas iniciais para projetar novas drogas ou materiais permanecerá apenas fora de alcance, aguardando pela próxima geração de inovação científica para fechar a distância.