Des études en chimie quantique rapportent des avancées dans les simulations moléculaires de molécules de type médicament

Chimie quantique : des chercheurs ont rapporté deux avancées dans la simulation moléculaire, une équipe démontrant des simulations quantiques chimiquement exactes de systèmes moléculaires complexes sur du matériel quantique supraconducteur, et une autre affinant un procédé de calcul sans orbitales à l’aide de l’apprentissage automatique afin de fournir des résultats précis et une solution physiquement pertinente. Les études étendent les simulations au-delà des petites molécules de référence et présentent des performances sur des molécules de type médicament considérablement plus grandes.

Travaillant sur le processeur Sirius à 24 qubits d’IQM, une équipe internationale dirigée par Qclairvoyance Quantum Labs a simulé avec succès des systèmes moléculaires en utilisant jusqu’à 16 qubits et a introduit un flux de travail hybride associant calcul quantique et calcul haute performance, permettant d’obtenir des résultats évolutifs et précis sur les dispositifs quantiques à court terme. Parmi les principales avancées, les chercheurs ont généré expérimentalement une surface d’énergie potentielle bidimensionnelle complète pour une molécule d’eau directement sur du matériel quantique et ont simulé le médicament approuvé par la FDA Amantadine, démontrant la capacité à traiter des molécules pharmacologiquement pertinentes au-delà des petits systèmes de référence.

Pour surmonter les limites des processeurs quantiques actuels, l’équipe a utilisé la Sample-based Quantum Diagonalization, dans laquelle le processeur quantique est utilisé pour échantillonner des configurations électroniques clés tandis que les calculs les plus intensifs sont déportés vers des superordinateurs classiques. Pour des molécules plus grandes comme l’Amantadine, les chercheurs ont combiné SQD avec la Density Matrix Embedding Theory, ce qui leur a permis de décomposer des systèmes complexes en fragments plus petits, calculables sur ordinateur quantique, tout en préservant la précision chimique. L’étude explore également différentes stratégies de circuits quantiques, apportant un éclairage sur l’équilibre entre coût computationnel et précision, et ce travail est détaillé dans une prépublication sur arXiv.

Dans une étude distincte, deux équipes de recherche du Interdisciplinary Center for Scientific Computing ont affiné un procédé de calcul longtemps considéré comme peu fiable, de sorte qu’il fournisse des résultats précis et établisse de manière fiable une solution physiquement pertinente. Les résultats sont publiés dans le Journal of the American Chemical Society. Le nouveau procédé, STRUCTURES25, repose sur un réseau neuronal spécifiquement développé qui apprend directement à partir de calculs de référence précis la relation entre densité électronique et énergie, en capturant l’environnement chimique de chaque atome individuel dans une représentation mathématiquement détaillée.

Un concept d’entraînement original a été déterminant : le modèle a été entraîné non seulement avec des densités électroniques convergées, mais aussi avec de nombreuses variantes entourant la solution correcte, générées par des modifications ciblées et contrôlées des calculs de référence sous-jacents. Lors de tests sur une vaste collection diversifiée de molécules organiques, STRUCTURES25 a atteint une précision capable de rivaliser avec les calculs de référence établis, démontrant pour la première fois une convergence stable à l’aide d’une approche sans orbitales. Les performances de la méthode ont été démontrées non seulement sur de petits exemples, mais aussi sur des molécules de type médicament considérablement plus grandes.

Les premières comparaisons de temps d’exécution montrent que ce procédé de calcul peut mieux passer à l’échelle lorsque la taille des molécules augmente et donc accélérer le calcul. Des calculs auparavant considérés comme trop complexes deviennent désormais accessibles. Les deux études décrivent des approches visant une simulation moléculaire évolutive pour des applications telles que la découverte de médicaments, la science des matériaux, de meilleures batteries, des matériaux pour la conversion de l’énergie et des catalyseurs plus efficaces.