Quantinuum, NVIDIA und Pfizer validieren Quanten-KI für die Wirkstoffforschung – Generierungszeit um 3–4 Größenordnungen reduziert
de.wedoany.com-Bericht: Ein Forschungsteam von Quantinuum, NVIDIA und Pfizer Inc. hat ein generatives Quanten-KI-Framework namens ADAPT-GQE vorgeschlagen, das die automatische Synthese von Grundzustands-Quantenschaltkreisen für Arzneimittelmoleküle ermöglicht. Das Framework wurde auf dem 98-Qubit-Ionenfallen-Prozessor Helios-1 von Quantinuum erfolgreich validiert.
Die zugehörige Studie wurde unter dem Titel „Learning to Prepare Molecular Ground States with Transformer Models" veröffentlicht. Das vorgeschlagene generative Quanten-KI-Framework (GenQAI) kombiniert klassisches Hochleistungsrechnen (HPC), generative Transformer-Modelle und Quantenprozessoren (QPU), um Grundzustands-Präparationsschaltkreise für komplexe pharmazeutische Wirkstoffe (API) zu berechnen.
Das Experiment adressiert einen aktuellen Rechenengpass in der variablen Quantenalgorithmik (VQE). Standardadaptive Algorithmen wie ADAPT-VQE müssen bei jedem Schritt Tausende von Operatorgradienten auswerten und die Parameterlandschaft neu optimieren, was Systeme mit mehr als etwa 15 Qubits rechnerisch unpraktikabel macht. ADAPT-GQE nutzt einen generativen Transformer, um in einem einzigen Vorwärtsdurchlauf kompakte, energiearme Schaltkreisstrukturen direkt zu synthetisieren.
ADAPT-GQE ist ein generatives KI-Modell, dessen Trainingsdaten aus quantenchemischen Datensätzen stammen, die auf GPU-beschleunigten klassischen Supercomputern erzeugt wurden. Das Modell sagte den vollständigen Grundzustands-Quantenschaltkreis des trizyklischen Antidepressivums Imipramin voraus. Imipramin ist ein in der Industrie etablierter Referenzwirkstoff, der häufig in Studien zur erzwungenen Degradation und Lagerstabilität verwendet wird.
Die Synthese-Pipeline des Frameworks gliedert sich in drei Phasen. Die Datengenerierungsphase basiert auf NVIDIA-CUDA-Q-beschleunigten ADAPT-VQE-Schaltkreisen und nutzt OpenMM und MACE-OFF für molekulardynamische Konformationsabtastung, wobei die aktive Raum-Qubit-Mapping-Skala 12 bis 16 Qubits umfasst; die Schaltkreissynthesephase verwendet feinabgestimmte NVIDIA-Nemotron-Modelle sowie Gemma-3-/Nemotron-Nano-Transformer-Architekturen; die Ausführungsvalidierungsphase nutzt den Quantinuum-Helios-1-Prozessor und die InQuanto-Chemieplattform.
Die KI-synthetisierten Schaltkreise erreichten oder übertrafen die Grundzustandsgenauigkeit der Referenz-ADAPT-VQE-Trainingsdaten und reduzierten die Schaltkreisgenerierungszeit auf aktiven Räumen mit 12, 14 und 16 Qubits um 3 bis 4 Größenordnungen.
Das Forschungsteam wandte zudem die Gruppen-relative Politikoptimierung (GRPO) direkt auf die generierten Schaltkreisausgaben an, wodurch das Modell lernte, neue Operatorsequenzen vorzuschlagen und so die Genauigkeit gegenüber der zugrunde liegenden ADAPT-VQE-Trainingsbasislinie zu verbessern.
Bei der Hardware-Ausführung wurden die synthetisierten Schaltkreise für Imipramin-Konformationen über die InQuanto™-Softwareplattform von Quantinuum kompiliert und auf dem Helios-1-Ionenfallenprozessor ausgeführt, was die Machbarkeit KI-gesteuerter Quantenalgorithmen-Generierung auf kommerziellen QPUs demonstriert.
Diese Arbeit wurde in Zusammenarbeit zwischen Quantinuum, NVIDIA und dem chemischen Forschungsteam von Pfizer durchgeführt und etabliert ein Open-Source-Referenzframework für die automatisierte praktikable Quantenchemie im praktischen Maßstab.
