⚛️ quantum physics

Bridging the NISQ and Fault-Tolerant Regimes: Generative-ML-Assisted Quantum Selected CI for Molecular Simulations

本文介绍了一种结合了 LCNot-UCCSD 初始化与基于受限玻尔兹曼机生成模型（QSCI-RBM）的混合量子-经典工作流，旨在通过在嘈杂中型量子硬件上高效模拟蛋白质-配体结合能，并证明了其在减少计算资源的情况下，在阿曼塔定（Amantadine）和 SARS-CoV-2 蛋白酶等工业相关药物靶点上的有效性。

原作者： Anurag K. S. V., Ashish Kumar Patra, Manas Mukherjee, Ruchika Bhat, Sai Shankar P., Rahul Maitra, Jaiganesh G

发布于 2026-06-30

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Anurag K. S. V., Ashish Kumar Patra, Manas Mukherjee, Ruchika Bhat, Sai Shankar P., Rahul Maitra, Jaiganesh G

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：在巨大的锁箱中寻找完美的钥匙

想象一下，你正试图找到一把完美的钥匙来开启一扇特定的门（即药物分子与病毒蛋白的结合）。在化学世界中，这把“钥匙”就是电子的精确排列方式。

问题所在： 寻找这种排列方式，就像是在一个每秒都在变大的沙滩上寻找一颗特定的沙粒。经典计算机（我们目前使用的计算机）会因为可能性过于庞大而陷入瘫痪。
量子计算机的承诺： 量子计算机就像神奇的手电筒，可以同时照射许多颗沙粒。然而，目前的量子计算机非常“嘈杂”（就像在暴风雨中闪烁的手电筒），很难清晰地看清正确的沙粒。
目标： 本论文提出了一种新方法，旨在即使在这些手电筒闪烁不定时也能有效地使用它们，并为未来能够稳定发光的时代做好准备。

三大核心要素

研究人员结合了三种强大的工具来解决这个问题：

1. “智能蓝图” (LCNot-UCCSD)

把量子计算机想象成一个建筑工地。为了建造正确的结构（分子的能量状态），你需要一份蓝图。

旧方法： 旧的蓝图就像是一本长达 10,000 页的厚重说明书，编写起来极其耗时（计算成本高昂）。
新方法： 作者使用了一种名为 LCNot-UCCSD 的新蓝图。它就像是一个“智能摘要”，将说明书缩减到了仅 100 页。它利用基于更简单计算（MP2）的捷径，瞬间就能完成 90% 的工作，节省了大量的精力和时间。

2. “嘈杂的手电筒” vs. “完美的模拟器”

团队在 Fujitsu FX700（一台功能极其强大的模拟器）上测试了他们的方案。

类比： 想象你正在学习弹钢琴。你可以练习一台按键粘滞、坏掉的真钢琴（目前的真实量子计算机），或者练习一台完美的数字钢琴，它能完美模拟音乐应有的声音，没有任何损坏的按键。
为什么要这样做： 作者想先在“完美”的环境中测试他们的方法，看看它“应该”如何运作，然后他们特意加入了“噪声”（损坏的按键），以观察他们的方案是否仍能找到正确的旋律。他们测试了 14 个不同的“损坏”等级，从完美到极度混乱。

3. “生成式 AI 助手” (QSCI-RBM)

这是本论文最大的创新点。

旧方法 (SQD)： 当量子计算机出错（产生“噪声”结果）时，旧方法试图通过猜测和检查来修复每一个错误。这就像一位图书管理员试图通过手动重新整理每一本掉落在地上的书来修复凌乱的书架。随着图书馆规模变大，这需要耗费无穷的时间。
新方法 (QSCI-RBM)： 作者加入了一个生成式 AI（受限玻尔兹曼机，RBM）。它不再试图修复每一个错误，而是学习正确书籍的“模式”。
- 类比： 想象这个 AI 是一位超级聪明的图书管理员，他观察书架上仅有的几本正确的书，学习正确区域的“氛围（vibe）”，然后生成新的、正确的书来填补空白。它不尝试去修理那些弄乱的书，而是直接创建一个精简、完美的清单，列出解决谜题所需的最重要的书籍。
- 结果： 这使得书单（即“子空间”）保持在小巧且易于管理的规模，即使当“图书馆”（分子）变得巨大时也是如此。

他们实际做了什么（实验部分）

团队不仅停留在理论层面，还进行了大规模的模拟。

小型测试： 他们从 8 个简单的分子（如水和甲烷）开始，以证明新的“智能蓝图”和“AI 助手”可以协同工作。
- 结果： 即使在加入重度“噪声”的情况下，这种带有 AI 辅助的方法每次都能找到正确答案，而旧方法除非噪声控制在特定范围内，否则会失败。
拉伸测试： 他们模拟了一个氮分子被拉开的过程（就像拉伸橡皮筋直到它断裂）。这对计算机来说是一个极难的任务。
- 结果： 新方法保持了准确性和平滑性。旧方法则会变得混乱并崩溃，除非人为添加噪声来“抖动”它使其恢复工作。
现实世界测试（药物研发）： 这是高潮部分。他们将方法应用于两个现实场景：
- 阿曼塔定 (Amantadine)： 一种流感药物。
- Mpro–Carmofur： SARS-CoV-2 病毒（主蛋白酶）与药物 Carmofur 之间复杂的相互作用。
- 挑战： 这些分子对于量子计算机一次性处理所有内容来说太大了。因此，他们使用了一种名为 DMET（密度矩阵嵌入理论）的技术。
- 类比： 想象你在解决一个关于整个城市的巨大拼图。与其观察整个城市，不如将其分解为 10 或 11 个社区（碎片）。你分别解决每个社区的问题，然后将它们缝合在一起。
- 规模： 他们在一个单一框架内，使用了高达 176 个量子比特（相当于一台庞大的量子计算机）来模拟这些“社区”。
- 结果： 这种新方法（LCNot-UCCSD + AI）成功地计算出了这些药物-靶点相互作用的能量，且具有极高的准确度，同时比以往的方法消耗了更少的计算资源。

为什么这很重要（根据论文所述）

效率： 新方法就像是从马车切换到了高铁。它将准备量子计算机“蓝图”所需的时间大幅缩减（从 $O(N^6)$ 降至 $O(N^4)$ ）。
可扩展性： “AI 助手”（RBM）是实现规模化的关键。随着分子变大，旧方法需要查看“几乎所有”的可能性（100%）。而新方法只需要查看一个精简且智能的子集（25–30%），这使得未来模拟更大的药物分子成为可能。
面向未来： 虽然目前的量子计算机存在噪声，但这种方法既能在“无噪声”的模拟中完美运行（代表未来的完美量子计算机），也能很好地处理噪声。它架起了今日嘈杂机器与明日完美机器之间的桥梁。

一句话总结

作者创造了一种高效的新方法，通过结合更智能的数学蓝图和能够保持计算精简且准确的生成式 AI，利用量子计算机来模拟药物如何与病毒结合，并成功将其应用于 SARS-CoV-2 蛋白酶等复杂的现实世界药物靶点测试中。

技术摘要：通过生成式机器学习辅助的 QSCI 桥接 NISQ 与容错计算范式

1. 问题陈述

精确计算蛋白质-配体系统的结合能是药物研发中的一个关键瓶颈。经典方法面临着根本性的权衡：高精度的耦合簇理论（CCSD(T)）其复杂度随轨道数 $N_{orb}$ 的 7 次方增长，即 $O(N_{orb}^7)$ ，这使得处理大型系统变得难以实现；而全构型相互作用（FCI）的复杂度呈指数级增长。相比之下，密度泛函理论（DFT）虽然计算量较小，但往往无法捕捉决定蛋白质-配体相互作用的特定电子结构现象。

量子计算为实现具有多项式复杂度的 FCI 级精度提供了路径，但目前的噪声中等规模量子（NISQ）硬件缺乏深度电路所需的相干深度。此外，现有的基于采样的量子算法，如量子选择构型相互作用（QSCI）和基于采样的量子对角化（SQD），存在结构性低效问题：

QSCI 依赖于后选择（post-selection），会丢弃违反对称性的样本，这导致在低噪声机制下子空间稀疏且收敛性差。
SQD 使用随机构型恢复（CR）来修复无效样本，但这通常需要饱和整个受对称性约束的希尔伯特空间才能达到化学精度，从而导致极高的经典对角化成本。
拟设初始化（Ansatz Initialization）： 竞争性的拟设如局部幺正簇 Jastrow（LUCJ）需要 $O(N^6)$ 的 CCSD 初始化，对于大型活性空间而言计算成本过于昂贵。

2. 方法论

本研究提出了一种在 Fujitsu FX700 理想态矢量模拟器上执行的混合量子-经典工作流，并使用了 量子应用研究包（QARP）。该方法集成了三项核心创新：

A. LCNot-UCCSD 拟设

作者使用了 线性缩放 CNOT 单位耦合簇单双激发（LCNot-UCCSD） 拟设。与标准 UCCSD 实现中 CNOT 计数随 $O(N^5)$ 缩放不同，LCNot-UCCSD 使用基于量子激发（QEB）的算符，使其缩放为 $O(N^4)$ 。

初始化： 参数使用 MP2 振幅（ $O(N^4)$ ）而非 CCSD 振幅（ $O(N^6)$ ）进行初始化，显著减少了经典预处理时间。
硬件无关性： 该电路采用用于双激发的三控制 $R_y$ 门（ $CCCR_y$ ）。在 FX700 上，这些门被原生模拟为多比特幺正算符而不进行分解，从而避免了因转译为 1 比特和 2 比特门而导致的深度膨胀。

B. QSCI-RBM：生成式子空间扩展

论文引入了 QSCI-RBM，它使用 受限玻尔兹曼机（RBM） 取代了 SQD 的随机构型恢复。

工作流： 量子电路生成比特串。符合对称性（保持粒子数 $N$ 和自旋 $S_z$ ）的有效样本被后选择出来。随后训练一个 RBM 来学习这些有效样本的概率分布，从而识别主导行列式的分布。
迭代扩展： 训练后的 RBM 通过吉布斯采样（Gibbs sampling）生成新的、符合对称性的构型。这些构型被合并到子空间 $S_{sub}$ 中，随后使用 Davidson 求解器进行经典对角化。
优势： 与 SQD 通过单轨道翻转导致构型激增（通常会饱和希尔伯特空间）不同，RBM 将采样集中在波函数的概率高支撑区，从而保持了紧凑的子空间。

C. 密度矩阵嵌入理论（DMET）

为了解决大型分子系统的问题，该工作流被嵌入到 DMET 中。系统被分割成若干杂质部分（例如，SARS-CoV-2 蛋白酶复合物为 10 个片段，Amantadine 为 11 个片段），每个杂质使用量子求解器独立求解，并采用 4 HOMO–4 LUMO 活性空间（每个片段最多 16 个量子比特），而环境部分则由经典方法处理。

D. 受控误差分析

为了弥合 NISQ 与容错计算范式之间的差距，作者遍历了 14 个层级的受控人工误差（ $\sigma$ ）。在测量前应用一个随机旋转 $R_y(\theta_i)$ ，其中 $\theta_i \sim N(0, \sigma^2)$ 。这使得能够评估算法从理想容错极限（ $\sigma=0$ ）到噪声较大的 NISQ 条件下的鲁棒性。

3. 关键结果

A. 八分子 STO-3G 基准测试

在八个分子（H2 到 N2）上跨越 14 个误差水平进行的评估显示：

SQD 性能： 在 $\sigma=0$ （理想状态）下，SQD 在处理较大分子时无法达到化学精度（误差高达 270 mHa），因为后选择的子空间过于稀疏。它仅在中间到高噪声水平（ $\sigma \ge 0.2$ 至 $2.0 $）下达到化学精度，此时它需要 **72–100%** 的完整希尔伯特空间维度$ |S|$。
QSCI-RBM 性能： 在所有 14 个误差水平下，包括理想的 $\sigma=0$ 情况，均能为所有分子实现化学精度（ $\le 1.59$ mHa）。
子空间紧凑性： 在 $\sigma=0$ 时，QSCI-RBM 在处理 CO 和 N2 时仅需使用希尔伯特空间的 25–27% 即可达到化学精度，而 SQD 则需要约 97–100%。这代表了 73–74% 的经典对角化成本降低。

B. N2 势能面（PES）扫描

在 cc-pVDZ 基组下的 (4,4) 活性空间中：

鲁棒性： SQD 在低噪声下的平衡位置附近及键解离过程中表现出不稳定性和发散现象，需要人工噪声（ $\sigma=2.0$ ）来进行正则化。
QSCI-RBM： 在 $\sigma=0$ 时，成功追踪了整个 PES 过程中的 CASCI 参考能量，并保持了化学精度。
自适应缩放： RBM 根据多参考特性（从压缩几何结构时的 ~31% 到解离时的 ~100%）动态调整子空间覆盖范围，而 SQD 则强制执行一种接近全覆盖的刚性策略。

C. 药物靶点应用（DMET）

该工作流被应用于 Amantadine（11 个片段）和 SARS-CoV-2 主蛋白酶（Mpro）–Carmofur 复合物（10 个片段），涵盖了 STO-3G、6-31G 和 cc-pVDZ 基组。

Amantadine： QSCI-RBM 在所有基组下，当 $\sigma=0$ 和 $\sigma=0.01$ 时均实现了化学精度，其子空间覆盖率（ $\eta_{sub}$ ）为 0.17–0.29。SQD 则需要更高的噪声（ $\sigma \ge 1.0$ ）和更大的子空间（ $\eta_{sub} \approx 0.58–0.89$ ）才能收敛。
Mpro–Carmofur： 这是首次在 DMET-QSCI 框架内对该复杂系统进行量子模拟。QSCI-RBM 在 $\sigma=0$ (STO-3G) 和 $\sigma=1.0$ (6-31G/cc-pVDZ) 时，均实现了活性区域的化学精度。
可扩展性： 有效规模达到了 ~160–176 个量子比特（针对 10–11 个片段的活性区域）。QSCI-RBM 在最优操作点所需的子空间覆盖率始终比 SQD 低 8–17%，这转化为经典对角化资源的显著节省。

4. 重要性与声明

作者声称这项工作代表了几个“首次”以及关键性的进展：

首次部署： 这是首次在量子模拟器上将 LCNot-UCCSD 拟设应用于 QSCI 工作流，也是首次将 DMET-QSCI(LCNot-UCCSD)-RBM 应用于工业相关的蛋白质-配体系统（Mpro–Carmofur）。
桥接范式： 研究展示了一个统一的框架，能够有效地从当前的噪声阶段运行到未来的容错阶段。至关重要的是，研究表明 QSCI-RBM 在容错（低噪声）阶段表现优异，而此时 SQD 由于子空间稀疏而失效；相反，SQD 仅在需要高噪声的噪声阶段才表现稳健，但此时其计算成本极高。
效率： 通过使用 $O(N^4)$ 的 MP2 初始化取代 $O(N^6)$ 的 CCSD 初始化，并利用 RBM 将对角化子空间压缩 36–74%，该方法为药物研发中的相关电子结构计算提供了一条更经济的路径。
硬件相关性： 本研究验证了 LCNot-UCCSD 拟设凭借其原生的多比特门结构，非常适合未来的中性原子（里德堡）硬件，前提是门错误率得到改善。

论文总结道，通过利用来自克利夫兰诊所、理研所（RIKEN）和 IBM 等现有研究工作中所需经典资源的极小部分，这种混合工作流能够实现更高效、更具扩展性的药物研发模拟。