Estudos de química quântica relatam avanços em simulações moleculares de moléculas semelhantes a fármacos

Química quântica pesquisadores relataram dois avanços em simulação molecular, com uma equipe demonstrando simulações quânticas quimicamente precisas de sistemas moleculares complexos em hardware quântico supercondutor e outra refinando um processo computacional livre de orbitais com aprendizado de máquina para fornecer resultados precisos e uma solução fisicamente significativa. Os estudos estendem as simulações para além de pequenas moléculas de referência e relatam desempenho em moléculas semelhantes a fármacos consideravelmente maiores.

Trabalhando no processador Sirius de 24 qubits da IQM, uma equipe internacional liderada pela Qclairvoyance Quantum Labs simulou com sucesso sistemas moleculares usando até 16 qubits e introduziu um fluxo de trabalho híbrido de computação quântica e computação de alto desempenho que permite resultados escaláveis e precisos em dispositivos quânticos de curto prazo. Entre as principais conquistas, os pesquisadores geraram experimentalmente uma superfície de energia potencial bidimensional completa para uma molécula de água diretamente em hardware quântico e simularam o fármaco Amantadine aprovado pela FDA, demonstrando a capacidade de lidar com moléculas farmacologicamente relevantes para além de pequenos sistemas de referência.

Para superar as limitações dos processadores quânticos atuais, a equipe utilizou Diagonalização Quântica Baseada em Amostras (Sample-based Quantum Diagonalization), na qual o processador quântico é usado para amostrar configurações eletrônicas-chave enquanto cálculos computacionalmente intensivos são transferidos para supercomputadores clássicos. Para moléculas maiores como Amantadine, os pesquisadores combinaram SQD com Teoria de Incorporação por Matriz de Densidade (Density Matrix Embedding Theory), o que lhes permitiu decompor sistemas complexos em fragmentos menores, computáveis em ambiente quântico, preservando ao mesmo tempo a precisão química. O estudo também explora diferentes estratégias de circuitos quânticos, oferecendo insights sobre o equilíbrio entre custo computacional e precisão, e o trabalho é detalhado em uma pré-publicação no arXiv.

Em um estudo separado, duas equipes de pesquisa do Interdisciplinary Center for Scientific Computing refinaram um processo computacional há muito considerado pouco confiável, de modo que ele fornecesse resultados precisos e estabelecesse de forma confiável uma solução fisicamente significativa. Os achados foram publicados no Journal of the American Chemical Society. O novo processo, STRUCTURES25, baseia-se em uma rede neural desenvolvida especificamente para aprender a relação entre densidade eletrônica e energia diretamente a partir de cálculos de referência precisos, capturando o ambiente químico de cada átomo individual em uma representação matematicamente detalhada.

Um conceito de treinamento singular foi decisivo: o modelo foi treinado não apenas com densidades eletrônicas convergidas, mas também com muitas variantes ao redor da solução correta, geradas por mudanças direcionadas e controladas nos cálculos de referência subjacentes. Em testes com uma coleção grande e diversa de moléculas orgânicas, o STRUCTURES25 alcançou uma precisão capaz de competir com cálculos de referência estabelecidos, demonstrando pela primeira vez uma convergência estável usando uma abordagem livre de orbitais. O desempenho do método foi demonstrado não apenas em pequenos exemplos, mas também em moléculas semelhantes a fármacos consideravelmente maiores.

Comparações iniciais de tempo de execução mostram que o processo computacional pode escalar melhor à medida que o tamanho da molécula cresce e, assim, aumentar a velocidade do cálculo. Cálculos antes considerados excessivamente complexos agora estão ao alcance. Ambos os estudos descrevem abordagens voltadas para a simulação molecular escalável em aplicações que incluem descoberta de fármacos, ciência dos materiais, baterias melhores, materiais para conversão de energia e catalisadores mais eficientes.