Protein folding on a 64 qubit trapped-ion hardware via counterdiabatic quantum optimization

本文报道了迄今为止规模最大的囚禁离子晶格蛋白质折叠优化演示，该方法利用偏置场数字化反绝热量子优化（BF-DCQO）在 64 量子位钡系统上成功生成了与经典参考能量相匹配的复杂肽序列的结构化低能样本。

要点

想象一下，试图将一根长长的、纠缠不清的绳子折叠成完美的形状，以便它承载一条特定的秘密信息。在现实世界中，蛋白质正是这样做的：它们是由氨基酸组成的链，扭曲盘旋成复杂的三维形状，以执行我们体内至关重要的任务。寻找“完美”的形状（即能量最低的形状），就像试图解决一个巨大的、多维度的拼图，其中可能错误答案的数量比宇宙中的恒星数量还要多。

本文描述了一项新实验，科学家利用一台强大的量子计算机（具体来说，是一台拥有 64 个“量子比特”或量子位的囚禁离子机器）来帮助解决这六个不同蛋白质链的折叠难题。

以下是他们做了什么、如何做的以及发现了什么的分解说明，并使用了简单的类比。

1. 问题：一团乱麻的结

将蛋白质链想象成一串珠子。每颗珠子都可以朝不同的方向转动。目标是找到特定的转动序列，使珠子以最有效的方式聚集在一起，同时确保绳子不会自我交叉（这在物理上是不可能的）。

• 挑战：如果你只是随机猜测，你可能会得到一个形状，但它很可能是一个能量高（不稳定）的杂乱线团。
• 规模：研究人员测试了包含 14 到 16 颗珠子的蛋白质。虽然听起来很小，但其背后的数学极其复杂，需要多达 61 个量子比特来表示。这是在囚禁离子量子计算机上进行的最大规模的蛋白质折叠实验。

2. 方法：“磁罗盘”（BF-DCQO）

团队没有仅仅随机猜测，而是使用了一种名为**偏置场数字化反绝热量子优化（BF-DCQO）**的特殊算法。

• 类比：想象你正试图在雾蒙蒙的山谷中找到最低点。
  • 随机采样：你只是开始朝随机方向行走。你可能会偶然发现一个低点，但你大部分时间都在漫无目的地徘徊。
  • BF-DCQO：这就像拥有一把每走一步就会变得更聪明的指南针。
    1. 计算机对其迄今为止找到的最佳形状进行“快照”。
    2. 它分析这些快照并说：“嘿，在这些好的形状中，这颗特定的珠子通常指向北方。”
    3. 然后，它创建一个“磁偏置”（一个温和的推动），将下一轮实验拉向指向北方的方向。
    4. 它重复这个过程，随着每一轮的推进，越来越专注于正确的方向。

3. 硬件：“全连接”团队

该实验在一台64 量子比特的钡离子系统上运行（类似于即将推出的 IonQ Tempo 系列）。

• 为何重要：在许多计算机中，比特就像坐成一排的人；为了与另一端的人交谈，他们必须将消息传递下去（缓慢且混乱）。在这个囚禁离子系统中，每个量子比特都与其他所有量子比特相连，就像一群人围成一圈站立，每个人都可以瞬间与任何人交谈。这对于蛋白质折叠来说非常完美，因为蛋白质中的珠子不仅与紧邻的邻居相互作用，还会与远处的珠子相互作用。

4. 结果：学习模式

研究人员发现，量子计算机不仅仅是运气好；它实际上学习了问题的结构。

• 原始数据：当他们查看量子计算机产生的原始形状时，它们仍然很杂乱（主要是因为计算机没有严格强制执行绳子不能自我交叉的规则）。然而，这些杂乱形状的“能量”显著低于随机猜测。
• “接触”秘密：量子计算机特别擅长确定哪些珠子应该彼此接触（即“接触”变量）。它学习了一种模式：“当绳子这样折叠时，这两颗珠子必须接触。”

5. 修正：“共识”流程

由于量子计算机产生了一些“非法”形状（绳子自我交叉），团队需要一种方法来修复它们，同时不丢失计算机发现的好的模式。他们尝试了两种方法：

• 方法 A（“单独修复”）：他们一次取一个形状，修复非法的交叉，然后从头重新计算接触点。
  • 结果：这抹去了量子计算机学到的好模式。这就像拿着一幅很棒的草图，凭记忆重新绘制，却失去了艺术家原本的风格。
• 方法 B（“共识”流程）：他们查看了计算机找到的所有好形状，问道：“这些形状中的大多数同意什么？”并利用这种共识来构建最终的合法形状。
  • 结果：这效果好得多。通过保留量子计算机的“群体投票”，他们保留了学到的模式。

结果：
使用“共识”方法，团队成功找到了他们测试的 6 个蛋白质序列中4 个的精确、数学上完美的能量状态。当他们使用随机猜测而不是量子计算机的提示时，他们仅在6 个中的 1 个上取得了成功。

总结

本文证明，一台 64 量子比特的量子计算机可以作为解决复杂蛋白质折叠难题的智能指南。由于硬件噪声和限制，它无法独自完美地解决整个拼图，但它能很好地学习“交战规则”（哪些珠子应该接触）。当你将这种量子学习与智能的人工“共识”修复相结合时，你会得到比随机猜测显著更好的结果。

关键要点：量子计算机提供了“结构”（相互作用的模式），而经典计算机提供了“可行性”（确保形状在物理上是可能的）。两者结合，解决了一个单独任何一方都无法解决的更困难的问题。

技术摘要

以下是论文《通过逆绝热量子优化在 64 量子比特囚禁离子硬件上进行蛋白质折叠》的详细技术总结。

1. 问题陈述

本文针对蛋白质折叠问题，具体而言是从氨基酸序列预测蛋白质的三维结构。这是一个 NP 难的组合优化问题，其构型空间随链长呈指数级增长。

• 模型：作者使用粗粒化四面体晶格模型。在该模型中，氨基酸残基被表示为四面体晶格上的珠子。主链被编码为自回避行走，相互作用由 Miyazawa–Jernigan 势定义。
• 哈密顿量表述：问题被映射为伊辛哈密顿量（$H = H_{back} + H_{contact}$）：
  • $H_{back}$：强制执行几何约束（防止回溯和重叠）。
  • $H_{contact}$：编码序列中位置间隔 $\geq 5$ 但在三维空间中彼此接近的残基之间的成对相互作用。
• 挑战：生成的哈密顿量是带有长程相互作用（高达五体项）和稠密连接的高阶自旋玻璃问题。求解这些哈密顿量需要在满足严格几何约束的同时优化稠密的接触相互作用，由于噪声和“不可行样本”问题（即大多数量子输出违反几何约束），这对近期量子硬件而言是一项困难的任务。

2. 方法论

该研究在 64 量子比特囚禁离子处理器上采用了偏置场数字化逆绝热量子优化（BF-DCQO）。

A. 硬件平台

• 系统：一个 64 量子比特的钡开发系统（类似于即将推出的 IonQ Tempo 系列）。
• 优势：该平台具备**全连接（all-to-all connectivity）**特性，消除了为实施蛋白质折叠模型所需的稠密伊辛耦合而使用 SWAP 门的需求。与最近邻架构（例如超导量子比特）相比，这显著降低了电路深度和开销。

B. 算法：BF-DCQO

该算法结合了逆绝热（CD）驱动与迭代偏置场更新机制：

1. 逆绝热驱动：算法不使用缓慢的绝热演化，而是利用由近似逆绝热项（$A_\lambda \approx i\alpha_1 [H_i, H_f]$）主导的短时演化。这抑制了非绝热跃迁，并允许使用浅层电路。
2. 数字化：演化通过 Trotter 分解进行数字化。系数较小的泡利项被剪枝以减少电路深度。
3. 偏置场更新（迭代细化）：
   • 初始哈密顿量包含纵向偏置场（$h_j Z_j$）。
   • 在每一轮 $r$ 中，系统被演化，并测量低能样本（$S_l$）。
   • 偏置场根据低能样本的期望值进行更新：$h^{(r+1)}_j = -K_s \langle \sigma^z_j \rangle_{S_l}$。
   • 该机制逐步将初始状态引导至包含优质解的希尔伯特空间区域，而无需变分参数优化。

C. 后处理启发式方法

由于原始量子样本经常违反几何约束（自回避行走），测试了两种经典后处理流程：

1. 共识流程（Proposed）：聚合大量量子样本的信息。它计算前 $k$ 个样本中接触量子比特的期望值，以创建“共识”接触位串。然后将该共识与可行主链几何形状的池相结合，以找到最优的有效结构。
2. 单样本修复：独立处理每个样本。它过滤几何可行性，然后使用穷举枚举从头重新优化接触量子比特。

3. 主要贡献

1. 规模记录：这是迄今为止在囚禁离子硬件上进行的最大规模蛋白质折叠演示，利用61 个量子比特（共 64 个可用）编码 14–16 个氨基酸的肽序列。这超越了之前的限制（例如，33 个量子比特对应 12 个氨基酸）。
2. 算法应用：首次将 BF-DCQO 应用于该规模的蛋白质折叠，展示了其处理高阶、稠密相互作用哈密顿量的能力。
3. 后处理洞察：论文指出，朴素的后处理可能会抹去量子优势。“单样本修复”方法会覆盖量子算法学习到的接触模式，而“共识流程”则保留了量子处理器生成的结构化统计信息。
4. 硬件验证：证明了全连接囚禁离子硬件在处理稠密优化问题方面的有效性，避免了 SWAP 开销。

4. 结果

该研究测试了六个肽序列（范围从 46 到 61 个量子比特）。

• 原始能量分布：BF-DCQO 产生的样本平均能量比均匀随机采样低 2.9 倍。分布一致地向更低能量偏移，表明尽管存在硬件噪声，该算法仍成功学习了相互作用结构。
• 接触量子比特极化：该算法在接触量子比特上显示出强烈的极化（值接近 0 或 1），而随机采样则保持在 0.5 附近。这证实了算法学习到了有意义的相互作用模式。
• 后处理性能：
  • 共识流程：当以 BF-DCQO 样本为种子时，该流程在6 个实例中的 4 个达到了精确的经典参考能量。相比之下，随机种子的共识流程仅在 6 个实例中的 1 个达到了参考值。
  • 单样本修复：该方法未能保留量子优势。通过为每个样本从头重新优化接触，它抹去了“量子学习”的结构，导致性能与随机种子相当。
• 可扩展性限制：在 61 个量子比特（16 个氨基酸）时，优势略有减弱，因为为了将门数量保持在可管理范围内（约 1,000 个纠缠门），必须将剪枝阈值（$\theta$）设置得较为激进，从而影响了结果质量。

5. 意义与结论

• 混合工作流验证：本文确立了一种适用于近期量子计算的工作流程：量子处理器充当结构化采样器，识别有利的相互作用模式（接触量子比特），而经典启发式方法则强制执行几何约束并组装最终结构。
• 战略洞察：它强调，对于像蛋白质折叠这样的约束问题，量子硬件的价值不在于生成单个完美解，而在于提供结构化统计信息（偏置），以指导经典求解器。
• 未来方向：作者建议未来的工作应专注于约束保持驱动，以减少无效主链的生成，并针对几何与接触量子比特分别处理偏置场，以更好地反映它们不同的作用。

总之，这项工作代表了量子计算生物学领域的一个重要里程碑，证明了在大规模囚禁离子硬件上的逆绝热优化可以优于随机采样，并且当与正确的经典后处理相结合时，能够解决以前无法触及的复杂蛋白质折叠实例。