量子化学研究报告药物样分子模拟取得进展
两项量子化学研究报告了分子模拟方面的进展。其中一项利用 24 量子比特超导处理器模拟了水和 Amantadine，另一项则借助机器学习实现了针对更大药物样分子的稳定无轨道计算。
量子化学研究人员报告了分子模拟领域的两项进展：其中一个团队在超导量子硬件上展示了对复杂分子系统具有化学精度的量子模拟，另一个团队则利用机器学习改进了一种无轨道计算流程，使其能够给出精确结果并获得具有物理意义的解。这两项研究将模拟对象从小型基准分子扩展到规模明显更大的药物样分子，并报告了相关性能表现。
在IQM 的 24 量子比特 Sirius 处理器上，由 Qclairvoyance Quantum Labs 牵头的一个国际团队成功使用最多 16 个量子比特对分子系统进行了模拟，并引入了一种量子—高性能计算混合工作流程，可在近期量子设备上实现可扩展且准确的结果。其关键成果包括：研究人员直接在量子硬件上实验生成了水分子的完整二维势能面，并模拟了FDA 批准的药物 Amantadine，展示了处理超越小型基准系统、具有药理学相关性的分子的能力。
为克服当前量子处理器的局限性，该团队采用了基于采样的量子对角化（Sample-based Quantum Diagonalization），即利用量子处理器对关键电子构型进行采样，同时将计算密集型任务卸载至经典超级计算机。对于像 Amantadine 这样更大的分子，研究人员将 SQD 与密度矩阵嵌入理论（Density Matrix Embedding Theory）相结合，使他们能够在保持化学精度的同时，将复杂系统分解为更小、可由量子计算处理的片段。该研究还探讨了不同的量子电路策略，为如何平衡计算成本与精度提供了见解，相关工作详见一篇arXiv 预印本。
在另一项研究中，跨学科科学计算中心的两个研究团队改进了一种长期以来被认为不可靠的计算流程，使其能够提供精确结果，并可靠地建立具有物理意义的解。相关发现发表在Journal of the American Chemical Society上。新流程STRUCTURES25基于一个专门开发的神经网络，该网络直接从精确的参考计算中学习电子密度与能量之间的关系，并以数学上细致的表征方式捕捉每个单独原子的化学环境。
一种独特的训练概念起到了关键作用：该模型训练时不仅使用了已收敛的电子密度，还纳入了围绕正确解的大量变体，这些变体通过对底层参考计算进行有针对性、可控的改动而生成。在针对大量多样化有机分子的测试中，STRUCTURES25 达到了可与既有参考计算相竞争的精度，并首次证明了无轨道方法能够实现稳定收敛。该方法的性能不仅在小型示例中得到展示，也在规模明显更大的药物样分子上得到了验证。
初步运行时间比较表明，这一计算流程能够随着分子尺寸增大而实现更好的扩展性，从而提升计算速度。过去被认为过于复杂的计算如今已变得可及。这两项研究均描述了面向可扩展分子模拟的方法，其应用包括药物发现、材料科学、更优电池、用于能量转换的材料以及更高效的催化剂等。