Efficient Block Encodings for Ensembles of Molecular Hamiltonians

Para entender como uma molécula de fármaco funciona, os cientistas frequentemente precisam vê-la não como um objeto único e congelado, mas como uma forma flexível que se desloca e gira. As moléculas estão constantemente vibrando, rotacionando e mudando seus ângulos internos, e esses movimentos ditam como elas interagem com o corpo humano. Para prever esses comportamentos, os pesquisadores devem calcular a energia de uma molécula através de milhares de formas diferentes, uma tarefa que cria um vasto panorama de possibilidades. Durante décadas, os computadores quânticos foram propostos como a ferramenta definitiva para resolver as equações complexas que descrevem essas energias moleculares. No entanto, os métodos quânticos tradicionais tratam cada forma como um problema separado, exigindo que o computador execute um cálculo distinto e caro para cada configuração. Essa abordagem torna-se impraticável quando o número de formas cresce para os milhares, pois o custo computacional aumenta em proporção direta ao número de formas, sobrecarregando rapidamente até mesmo as máquinas mais poderosas.

Uma equipe de pesquisadores da PsiQuantum e da Boehringer Ingelheim desenvolveu um novo método para contornar esse gargalo, permitindo que um computador quântico processe toda uma família de formas moleculares simultaneamente. Em vez de tratar milhares de geometrias moleculares diferentes como quebra-cabeças separados e não relacionados, a equipe encontrou uma maneira de reconhecer as profundas semelhanças entre elas. Eles criaram uma técnica chamada SVD-THC, que atua como uma chave mestra para um conjunto inteiro de fechaduras. Ao analisar os padrões matemáticos compartilhados entre todas as formas de um grupo, o método comprime a informação de milhares de geometrias em um único circuito unificado. Isso permite que o computador quântico evolua todo o conjunto de formas de uma só vez, em vez de processá-las uma por uma.

Os pesquisadores testaram essa abordagem em três sistemas moleculares diferentes, variando de uma simples cadeia de átomos a estruturas de peptídeos complexas que mimetizam os blocos de construção das proteínas. Eles geraram grades de milhares de formas para cada molécula, sendo que o maior conjunto continha mais de cinco mil configurações distintas. Nessas simulações, o novo método provou ser notavelmente eficiente. Enquanto a abordagem tradicional exigiria que o computador realizasse um cálculo completo e separado para cada forma, o novo método construiu um único circuito que lidava com todo o grupo. À medida que o número de formas aumentava, o custo computacional do novo método mal se alterava, enquanto o custo do método antigo subia drasticamente. Para o maior caso de teste envolvendo a molécula alanina dipeptídeo com 5.184 geometrias, o novo método reduziu o número de portas lógicas fundamentais necessárias em um fator de 200 em comparação com a abordagem padrão. Mesmo para grupos menores de formas, as economias foram significativas, com o método tornando-se mais eficiente do que a maneira tradicional assim que o tamanho do grupo atingiu apenas algumas dezenas de geometrias.

O cerne desta conquista reside em como os pesquisadores organizaram os dados. Eles perceberam que, embora as posições dos átomos mudem de uma forma para outra, as interações eletrônicas subjacentes frequentemente seguem um padrão previsível de baixo posto (low-rank). Ao usar uma decomposição matemática para separar a estrutura eletrônica compartilhada dos detalhes geométricos específicos, eles puderam construir um circuito "multiplexado" único. Este circuito é projetado para alternar entre diferentes formas automaticamente, guiado por um registrador quântico que contém o índice da forma atual. Os pesquisadores descobriram que a parte mais cara do cálculo, que envolve carregar dados no computador, não precisava ser repetida para cada forma. Em vez disso, os dados para todo o conjunto poderiam ser preparados uma única vez e reutilizados, com apenas um pequeno overhead constante adicionado para cada nova forma. Isso resultou em um comportamento de escalonamento que é muito mais suave do que o crescimento linear visto nos métodos anteriores.

Em termos práticos, isso significa que tarefas que antes estavam fora do alcance dos computadores quânticos, como mapear o panorama energético completo de um candidato a fármaco ou simular como uma molécula se move ao longo do tempo, podem se tornar viáveis. Os pesquisadores demonstraram que seu método pode prever com precisão a energia de cada forma na grade, mantendo o erro dentro de uma margem estrita que é aceitável para a precisão química. Eles também mostraram que o método funciona bem mesmo quando as formas não estão organizadas em uma grade regular e organizada, sugerindo que ele pode ser aplicado às coleções desordenadas e irregulares de formas que frequentemente aparecem na descoberta de fármacos do mundo real. O trabalho sugere que, ao explorar a redundância inerente aos conjuntos moleculares, os computadores quânticos podem ir além de resolver problemas isolados para lidar com sistemas complexos e dinâmicos.

O estudo também destacou os recursos específicos necessários para realizar este trabalho em um futuro computador quântico tolerante a falhas. Os pesquisadores calcularam o número de qubits e portas lógicas necessários para executar seu algoritmo, descobrindo que as economias na contagem de portas foram substanciais, embora as economias no tempo total em que o computador permanece ativo tenham sido um pouco menores devido ao overhead de carregamento de dados. Essa distinção é importante porque aponta onde melhorias futuras podem ser feitas. A equipe observou que, embora a contagem de portas lógicas tenha caído drasticamente, o tempo que o computador passa ativo ainda é influenciado pelo custo de movimentação de dados. Reduzir esse overhead de carregamento de dados poderia estreitar ainda mais a lacuna entre o potencial teórico do método e sua aplicação prática.

Em última análise, esta pesquisa fornece um novo primitivo para a química quântica, um que trata o conjunto de formas moleculares como uma entidade única e coerente, em vez de uma coleção de instantâneos desconexos. As descobertas sugerem que, para problemas envolvendo muitas geometrias relacionadas, a vantagem quântica não é apenas uma questão de esperar por um hardware melhor, mas de encontrar maneiras mais inteligentes de codificar o problema. Ao comprimir a representação de milhares de formas em um único circuito, os pesquisadores mostraram que os computadores quânticos podem potencialmente enfrentar os panoramas complexos e multidimensionais que definem o comportamento molecular. Isso abre as portas para previsões mais precisas de como os fármacos se ligarão aos seus alvos, como as proteínas se dobrarão e como as reações químicas procederão, tudo isso ao aproveitar a estrutura compartilhada do mundo molecular.