Studien zur Quantenchemie berichten über Fortschritte bei molekularen Simulationen für arzneistoffähnliche Moleküle

Quantenchemie-Forscher berichteten über zwei Fortschritte in der molekularen Simulation: Ein Team demonstrierte chemisch genaue Quantensimulationen komplexer molekularer Systeme auf supraleitender Quantenhardware, ein anderes verfeinerte mithilfe von maschinellem Lernen ein orbitalfreies Rechenverfahren, um präzise Ergebnisse und eine physikalisch sinnvolle Lösung zu liefern. Die Studien erweitern Simulationen über kleine Benchmark-Moleküle hinaus und berichten über Leistungen bei deutlich größeren arzneistoffähnlichen Molekülen.

Ein internationales Team unter Leitung von Qclairvoyance Quantum Labs arbeitete auf IQM’s 24-qubit Sirius processor, simulierte erfolgreich molekulare Systeme mit bis zu 16 Qubits und führte einen hybriden Workflow aus Quantenrechnen und Hochleistungsrechnen ein, der skalierbare und genaue Ergebnisse auf Quantengeräten der nahen Zukunft ermöglicht. Zu den wichtigsten Erfolgen gehörte, dass die Forscher experimentell eine vollständige zweidimensionale potenzielle Energiefläche für ein Wassermolekül direkt auf Quantenhardware erzeugten und das FDA-zugelassene Medikament Amantadine simulierten, was die Fähigkeit zeigt, pharmakologisch relevante Moleküle über kleine Benchmark-Systeme hinaus zu behandeln.

Um die Einschränkungen aktueller Quantenprozessoren zu überwinden, nutzte das Team Sample-based Quantum Diagonalization, bei der der Quantenprozessor für das Sampling zentraler elektronischer Konfigurationen eingesetzt wird, während rechnerisch intensive Berechnungen auf klassische Supercomputer ausgelagert werden. Für größere Moleküle wie Amantadine kombinierten die Forscher SQD mit Density Matrix Embedding Theory, wodurch sie komplexe Systeme in kleinere, quantenrechenbare Fragmente zerlegen konnten, ohne die chemische Genauigkeit zu verlieren. Die Studie untersucht außerdem verschiedene Strategien für Quantenschaltungen und liefert Einblicke in die Balance zwischen Rechenaufwand und Genauigkeit; die Arbeit ist in einem arXiv-Preprint beschrieben.

In einer separaten Studie verfeinerten zwei Forschungsteams am Interdisziplinären Zentrum für Wissenschaftliches Rechnen ein lange als unzuverlässig geltendes Rechenverfahren so, dass es präzise Ergebnisse liefert und zuverlässig eine physikalisch sinnvolle Lösung etabliert. Die Ergebnisse wurden im Journal of the American Chemical Society veröffentlicht. Das neue Verfahren, STRUCTURES25, basiert auf einem eigens entwickelten neuronalen Netz, das die Beziehung zwischen Elektronendichte und Energie direkt aus präzisen Referenzrechnungen erlernt und dabei die chemische Umgebung jedes einzelnen Atoms in einer mathematisch detaillierten Darstellung erfasst.

Ein einzigartiges Trainingskonzept war entscheidend: Das Modell wurde nicht nur mit konvergierten Elektronendichten trainiert, sondern auch mit vielen Varianten um die korrekte Lösung herum, die durch gezielte, kontrollierte Änderungen in den zugrunde liegenden Referenzrechnungen erzeugt wurden. In Tests an einer großen und vielfältigen Sammlung organischer Moleküle erreichte STRUCTURES25 eine Präzision, die mit etablierten Referenzrechnungen konkurrieren kann, und demonstrierte damit erstmals eine stabile Konvergenz mit einem orbitalfreien Ansatz. Die Leistungsfähigkeit der Methode wurde nicht nur an kleinen Beispielen gezeigt, sondern auch an deutlich größeren arzneistoffähnlichen Molekülen.

Erste Laufzeitvergleiche belegen, dass das Rechenverfahren mit zunehmender Molekülgröße besser skalieren und damit die Geschwindigkeit der Berechnung erhöhen kann. Berechnungen, die früher als zu aufwendig galten, sind nun in Reichweite. Beide Studien beschreiben Ansätze für eine skalierbare molekulare Simulation für Anwendungen wie die Arzneimittelforschung, Materialwissenschaft, bessere Batterien, Materialien für die Energieumwandlung und effizientere Katalysatoren.