AIが量子回路を1000倍高速に生成、創薬に応用

QuantinuumとNVIDIA、Pfizerの研究者が、トランスフォーマーベースの言語モデルと強化学習を組み合わせて、分子シミュレーションの量子回路生成を自動化した。この研究は量子化学における長年のボトルネックに対処している。量子コンピュータが分子のエネルギーを推定できるようになる前に、まず量子システムを分子の基底状態、すなわち最低エネルギー配置に密接に近い状態に準備しなければならない。これらの回路を生成するには、通常は分子が大きくなるにつれて計算コストが増加する繰り返し最適化が必要である。

チームのAIシステムは、主要な従来の量子化学アルゴリズムであるADAPT-VQE（適応的導関数集約問題調整型変分量子固有値ソルバー）と比べて、回路生成時間を3～4桁削減しながら、精度を同等またはそれ以上に保つ。繰り返し最適化を通じて回路を構築する代わりに、訓練されたモデルは単一の推論ステップで完全な回路を生成する。革新は量子回路生成を言語問題として構成する。文を生成する代わりに、トランスフォーマーモデルは分子基底状態を準備するのに必要な量子操作の列を生成する。

研究者は2つの異なるトランスフォーマーアーキテクチャを訓練した。1つはスクラッチから訓練された比較的コンパクトな3億2500万パラメータモデルであり、もう1つはこの量子回路生成に適応された非常に大きな120億パラメータの事前訓練言語モデルであった。両モデルは分子ハミルトニアン（分子の電子相互作用の数学的表現）を説明する情報を受け取り、対応する量子回路を生成した。より小さなモデルについては、チームは監督付き訓練後に強化学習の段階を追加した。単に訓練データから回路を再現するのではなく、モデルはより低い計算エネルギーを持つ回路を生成することで報酬を受け、多くの場合、オリジナルの訓練例の品質を上回ることができた。

チームは三環系抗うつ薬であるイミプラミンを主要なテストシステムとして選択した。構造的複雑性と医学的関連性のため。イミプラミンは複数の反応性部位があり、コンフォメーとして知られる多くの異なる3次元形状を採用できる。これらの異なる配置の電子特性を予測することは医薬品開発において重要である。特に薬物安定性と分解経路の研究時。研究者は約13,000～15,700の回路を生成した。12、14、および16量子ビットのアクティブスペース表現にわたって、ADAPT-VQEを使用して最適化された量子回路を生成した分子幾何学と回路複雑性の広い範囲を表すものを。

両トランスフォーマーモデルは、より簡単な分子問題ではADAPT-VQEのパフォーマンスを再現しましたが、監督付き訓練のみでは、より複雑な量子回路でパフォーマンスが低下しました。強化学習を適用すると、より小さなモデルのパフォーマンスがすべてのデータセットで大幅に改善されました。最適化プロセスは頻繁にオリジナルの訓練データで見つかったものより低いエネルギーを持つ回路を生成し、AIが訓練中に改善されたソリューションを発見したことを示唆しています。研究者はまた2つのモデルタイプ間での異なる動作を観察しました。より小さなトランスフォーマーはより一貫性のあり、狭く分布した解を生成し、より大きな事前訓練言語モデルはより広い範囲の候補回路を生成しました。

シミュレーションを超えて、チームはQuantinuumのHelios閉じ込め型イオン量子プロセッサで代表的なAI生成回路を実行し、AIフレームワークで完全に生成された回路が既存の量子ハードウェア上で動作できることを実証した。研究者はこれをマイルストーンと説明した。AI生成回路合成と化学的に関連する分子システムの商用量子ハードウェア上での実行を組み合わせたためである。この分野の以前の研究は、一般的にはシミュレーションまたは比較的単純なベンチマーク問題に焦点を当てており、現実的な医薬品分子ではなかった。研究者はいくつかの制限に注意している。モデルが各量子ビット数ごとに個別に訓練されており、異なるアクティブスペースサイズ間での汎化ができず、検証が単一の医薬品分子に焦点を当てていることである。より大規模で化学的に多様な分子にわたる広いテストが必要である。