Estudios de química cuántica informan avances en simulaciones moleculares para moléculas de tipo farmacológico
Dos estudios de química cuántica informaron avances en simulación molecular. Uno utilizó el procesador superconductor Sirius de 24 qubits para simular agua y Amantadine, mientras que otro empleó aprendizaje automático para lograr cálculos sin orbitales estables en moléculas de tipo farmacológico de mayor tamaño.
Química cuántica: investigadores informaron de dos avances en simulación molecular, con un equipo que demostró simulaciones cuánticas químicamente precisas de sistemas moleculares complejos en hardware cuántico superconductor y otro que perfeccionó un proceso de cálculo sin orbitales mediante aprendizaje automático para ofrecer resultados precisos y una solución físicamente significativa. Los estudios amplían las simulaciones más allá de las pequeñas moléculas de referencia e informan de resultados en moléculas de tipo farmacológico considerablemente más grandes.
Trabajando con el procesador Sirius de 24 qubits de IQM, un equipo internacional dirigido por Qclairvoyance Quantum Labs simuló con éxito sistemas moleculares utilizando hasta 16 qubits e introdujo un flujo de trabajo híbrido de computación cuántica y computación de alto rendimiento que permite resultados escalables y precisos en dispositivos cuánticos de corto plazo. Entre los logros clave, los investigadores generaron experimentalmente una superficie completa de energía potencial bidimensional para una molécula de agua directamente en hardware cuántico y simularon el fármaco Amantadine aprobado por la FDA, mostrando la capacidad de manejar moléculas farmacológicamente relevantes más allá de los pequeños sistemas de referencia.
Para superar las limitaciones de los procesadores cuánticos actuales, el equipo utilizó Sample-based Quantum Diagonalization, en la que el procesador cuántico se usa para muestrear configuraciones electrónicas clave mientras que los cálculos computacionalmente intensivos se descargan a supercomputadoras clásicas. Para moléculas más grandes como Amantadine, los investigadores combinaron SQD con Density Matrix Embedding Theory, lo que les permitió descomponer sistemas complejos en fragmentos más pequeños computables cuánticamente, preservando al mismo tiempo la precisión química. El estudio también explora diferentes estrategias de circuitos cuánticos, aportando información sobre cómo equilibrar el costo computacional y la precisión, y el trabajo se detalla en una prepublicación de arXiv.
En un estudio aparte, dos equipos de investigación del Interdisciplinary Center for Scientific Computing perfeccionaron un proceso de cálculo considerado durante mucho tiempo poco fiable para que ofrezca resultados precisos y establezca de forma fiable una solución físicamente significativa. Los hallazgos se publican en el Journal of the American Chemical Society. El nuevo proceso, STRUCTURES25, se basa en una red neuronal desarrollada específicamente que aprende la relación entre densidad electrónica y energía directamente a partir de cálculos de referencia precisos, captando el entorno químico de cada átomo individual en una representación matemáticamente detallada.
Un concepto de entrenamiento único fue decisivo: el modelo se entrenó no solo con densidades electrónicas convergidas, sino también con muchas variantes alrededor de la solución correcta, generadas mediante cambios dirigidos y controlados en los cálculos de referencia subyacentes. En pruebas sobre una colección amplia y diversa de moléculas orgánicas, STRUCTURES25 alcanzó una precisión capaz de competir con cálculos de referencia consolidados, demostrando por primera vez una convergencia estable mediante un enfoque sin orbitales. El rendimiento del método se demostró no solo en ejemplos pequeños, sino también en moléculas de tipo farmacológico considerablemente más grandes.
Las comparaciones iniciales de tiempo de ejecución demuestran que el proceso de cálculo puede escalar mejor a medida que aumenta el tamaño de la molécula y, por tanto, incrementar la velocidad del cálculo. Cálculos que antes se consideraban demasiado complejos ahora están al alcance. Ambos estudios describen enfoques orientados a la simulación molecular escalable para aplicaciones que incluyen el descubrimiento de fármacos, la ciencia de materiales, mejores baterías, materiales para la conversión de energía y catalizadores más eficientes.