Designing lattice proteins with variational quantum algorithms

本文研究了变分量子算法在晶格蛋白质设计序列优化步骤中的应用，发现虽然在模拟中问题无关型电路的表现优于问题相关型电路，但由于未建模的时间噪声特性，两种方法在真实的量子硬件上都面临困难。

要点

想象一下你是一位试图发明新食谱的大厨。你脑海中有一个特定的、完美的菜肴（目标结构），而你的目标是弄清楚究竟哪些食材（氨基酸序列）能在烹饪时创造出那道菜。

在生物学领域，这被称为蛋白质设计。通常情况下，寻找正确的食材就像在大海捞针。这篇论文探讨了量子计算机——即利用奇特的量子物理规则来解决问题的机器——是否可以帮助我们更快地找到这些食材。

以下是研究人员做了什么、如何做的以及他们发现了什么的简单拆解。

问题所在：太多的食材，太多的选择

把蛋白质想象成一串珠子。每颗珠子可以是两种类型之一：疏水性（讨厌水，我们称之为“油腻型”）或亲水性（喜欢水，我们称之为“湿润型”）。

研究人员想要将这些“油腻型”和“湿润型”的珠子排列成特定的模式，使得这串珠子能折叠成完美的形状，并具有最低的能量（最稳定的状态）。

• 困难的方法： 通常，你必须先猜测珠子的排列方式，然后模拟它的折叠过程，最后检查是否可行。
• 捷径： 本文只关注第一步：对于一个我们已知有效的形状，寻找最佳的珠子排列方式。这就像是已经拿到了房屋的设计蓝图，只需弄清楚用什么砖块来搭建它最合适，而暂时不用担心屋顶是否会漏水。

工具：两种类型的量子算法

团队在当今的量子计算机上测试了两种不同的“策略”（算法），这些机器目前仍带有一定的“噪声”（容易出错，就像带有静电干扰的收音机）。

1. “专家型”策略 (QAOA)

• 比喻： 想象一位侦探，他完美地掌握了犯罪现场的具体规则。他构建了一个非常复杂且定制化的地图来破案。
• 运作方式： 这种算法 (QAOA) 是专门为这个蛋白质问题设计的。它使用深层、复杂的电路（许多层步骤）来探索解决方案。
• 结果： 在一个完美的、无噪声的世界里（没有噪声的模拟环境），这位专家表现出色，找到了正确答案。但一旦开启了“静电干扰”（模拟噪声），这位侦探就糊涂了。他的地图太长、太复杂；静电声淹没了线索，导致结果崩塌。

2. “通才型”策略 (HEA)

• 比喻： 想象一位杂货店修理工，他并不了解具体的犯罪规则，但他非常擅长使用工具箱里的工具。他建造了一个简单、坚固的梯子，正好契合要打开的那扇门。
• 运作方式： 这种算法 (HEA) 并不关心特定的蛋白质规则。相反，它是为了适应实际量子计算机硬件的物理限制而设计的。它使用了更短、更简单的电路。
• 结果： 这种方法更加稳健。即使面对“静电干扰”（噪声），它的表现也比前者更好。它就像一个即使在风中也不会摇晃的坚固梯子。

实验：模拟 vs. 现实

研究人员通过两种方式进行了这些测试：

1. 计算机模拟： 他们假装在完美的量子计算机和有噪声的量子计算机上运行这些算法。
2. 真实硬件： 他们实际上在 IBM 的一台名为“Torino”的真实量子计算机上运行了“通才型”（HEA）策略。

研究发现

• “专家型” (QAOA) 在噪声中失败了： 那些复杂、定制化的地图太长了。当前量子计算机上的噪声太强，无法支撑如此长的电路。它们在理论上可行，但在实践中失败了。
• “通才型” (HEA) 表现尚可，但并不完美： 这种简单、对硬件友好的方法在模拟中表现得更好。它可以解决短链珠子的问题（大约 12 颗珠子）。
• 现实检验： 当他们在真实的 IBM 机器上运行“通才型”策略时，它只能处理极短的链条，且成功率下降的速度比模拟预测的还要快。
  • 为什么？ 研究人员怀疑模拟模型遗漏了一些“时间性”噪声——例如，计算机的性能会随时间发生微小变化，或者错误是以集群形式发生的。模拟就像是一个预报有雨但却漏掉了突发冰雹的天气预报。

核心结论

论文得出结论：虽然量子计算机在设计蛋白质方面具有潜力，但今天的机器仍然过于嘈杂，难以应对复杂的定制化策略 (QAOA)。

更简单、对硬件友好的策略 (HEA) 更有韧性，并且可以解决小型问题，但随着问题规模的增大，它们依然会遇到困难。研究人员建议，在我们能够利用这些工具进行现实世界的蛋白质设计之前，我们需要更好的方法来修复量子计算机上的“静电干扰”（误差缓解）。

简而言之： 我们尝试用量子计算机来设计蛋白质食谱。“定制专家”被噪声搞糊涂了，而“简单修理工”在处理小型食谱时做得还算不错，但在处理大型食谱时仍然会跌倒。在我们这项技术真正能够“烹饪”出新药之前，我们需要更安静的机器。

技术摘要

技术摘要：利用变分量子算法设计晶格蛋白质

问题陈述
本文探讨了蛋白质设计的逆问题：即识别能够折叠成特定目标结构的氨基酸序列。具体而言，作者关注的是“序列优化”步骤，其目标是在给定目标构象内寻找使能量最小化的序列。本研究采用了极简的二维疏水/亲水（HP）晶格模型。与蛋白质折叠问题（为给定序列寻找结构）不同，该任务涉及优化氨基酸类型（H 或 P）而非其空间位置，因此在量子比特数量的需求上较低。然而，该问题仍然是一个适合测试量子启发式算法的组合优化挑战。作者选择了具有唯一基态解（已知能折叠至目标结构）的问题实例，以便对算法性能进行清晰的评估。

方法论
作者研究了变分量子算法（VQA）在含噪声中等规模量子（NISQ）设备上的效用，并对比了两种截然不同的方法：

1. 问题启发式电路（QAOA 变体）：

   • 作者实现了量子近似优化算法（QAOA）及其多种变体。
   • 他们将 HP 能量最小化编码为二次无约束二进制优化（QUBO）形式，并使用惩罚项来控制疏水性（H）珠子的总数。
   • 研究测试了五种特定的 QAOA 配置，通过改变混合哈密顿量（标准 X-mixer 与 XY-mixer：包括全连接和环形拓扑）以及初始状态（均匀叠加态、特定基态或 Dicke 态）来进行对比。
   • XY-mixer 使算法能够在不使用软惩罚项的情况下，将搜索空间限制在可行状态（正确的汉明重量）内，但它们需要更深的电路。

2. 问题无关型电路（硬件高效 Ansatz - HEA）：

   • 为了缓解 QAOA 的深度问题，作者采用了硬件高效 Ansatz（HEA）。
   • 这些电路由参数化的单比特旋转层和纠缠门（CNOT）交替组成，其排列方式匹配目标硬件（IBM 的 Torino 设备）的连通性。
   • 研究测试了单层和两层 SU(2) 2-local 电路。

优化策略
变分参数的经典优化是一个关键瓶颈。作者采用了以下策略：

• 迭代逐层优化： 对于 QAOA，使用 $p-1$ 层优化后的参数的线性插值来初始化 $p$ 层的参数。
• 参数捐赠（Parameter Donation）： 对于 HEA，将较小规模问题实例（如 $N=4$）优化的参数转移作为较大规模实例（如 $N=8$）的初始猜测，其余参数则随机初始化。这种“热启动”方法同时应用于无噪声和有噪声的模拟。
• 硬件训练： 对于 HEA，参数也可以通过参数捐赠直接在量子设备上进行训练。

结果
研究通过成功率（找到已知基态的频率）来评估性能，涵盖了经典模拟（无噪声和有噪声）以及在 IBM Torino 设备上的硬件实验。

• QAOA 性能：

  • 在无噪声模拟中，使用 XY-mixer 和 Dicke 初始态的 QAOA 变体在小规模问题（$N \le 16$）上达到了可接受的成功率。
  • 然而，在噪声环境下（模拟噪声和真实噪声），性能发生崩溃。作者将其归因于 XY-mixer 和 Dicke 态准备所需的巨大电路深度（对于 $N=16$，深度超过 2000）。
  • 减少层数（$p$）并不能在噪声环境中恢复性能。

• HEA 性能：

  • HEA 电路明显比 QAOA 电路更浅。
  • 在无噪声模拟中，HEA 达到了与最佳 QAOA 变体相当的成功率。
  • 在有噪声模拟中，HEA（特别是单层变体）表现出比 QAOA 更优越的抗噪能力。
  • 硬件实验： 在 IBM Torino 设备上运行时，HEA 成功解决了长度约为 $N \approx 11$ 的实例，并具有显著的成功率。对于 $N \ge 12$，成功率降至接近于零。
  • 模拟与现实： 使用 IBM 噪声模型的有噪声模拟高估了实际硬件上的观察到的成功率，特别是对于 $12 \le N \le 16$ 的情况。作者将这种差异归因于噪声模型未能捕捉到硬件噪声的时间特性和非马尔可夫效应。

主要贡献与意义
本文对用于生物物理优化任务的问题启发式（QAOA）和问题无关型（HEA）VQA 进行了对比分析。其主要贡献在于：

1. 证明了深度的敏感性： 研究强调，虽然像 QAOA 这样的问题启发式算法在理想条件下表现良好，但由于其对深层电路的依赖，在存在噪声的当前 NISQ 硬件上并不实用。
2. 硬件高效方法的优势： 作者展示了尽管问题无关型的 HEA 缺乏特定的问题编码，但由于其浅层电路结构，提供了更好的抗噪性，使其在当前设备上更具可行性。
3. 现有噪声模型的局限性： 一个重要的发现是，标准的噪声模型（结合了门误差、读取误差和热弛豫）无法完全预测硬件性能，这可能是由于未建模的时间噪声相关性导致的。
4. 可行性边界： 该工作确定了对于特定的 HP 序列优化问题，当前的量子硬件只能可靠地解决短链长（$N \le 12$）的实例。

结论
作者得出结论，虽然 VQA 为离散优化提供了一个有前景的框架，但由于噪声和电路深度的限制，其在当前硬件上进行蛋白质设计的实际应用受到限制。他们断言，要释放这些方法的潜力，特别是对于更复杂的 QAOA 方法，误差缓解策略是必不可少的。该研究对量子变分方法与组合生物学优化之间的相互作用进行了现实的评估，既识别了机遇，也指出了 NISQ 范式的当前局限性。