科技猎公众号：
编辑 | 绿罗
量子计算机 的核心看起来似乎很熟悉：一块邮票大小的硅芯片。但和你笔记本电脑的相似之处就到此为止了。该芯片被包裹在真空室中，冷却到接近绝对零度，上面有 198 个金电极，排列成椭圆形的赛道。
在赛道上方，一束镱离子被电脉冲、射频脉冲和激光脉冲捕获并悬浮。随后的操作将特定量的能量传递给离子，并诱导它们相互作用，以执行一系列逻辑操作。最后一束激光脉冲推动每个离子发出荧光或不发出荧光——探测器会读出一串二进制代码，作为计算的结果。
去年，量子计算初创公司 Quantum 的研究人员使用一个包含八个镱离子的芯片，在无数可能的配置中，计算出一个氢分子的两个电子在最稳定状态下的精确排列。就其本身而言，这种计算能力几乎不值得注意；一台普通的笔记本电脑几秒钟就能搞定。但它标志着先进量子模拟的首次演示，随着量子计算机变得越来越强大，这种模拟有望表现得更好，并能处理更复杂的分子。
论文链接：https://arxiv.org/abs/2306.16608
这一成就表明，量子计算机正从单纯的承诺领域转向应对现实世界的挑战。Quantinuum 是众多公司之一，它们认为化学应用（尤其是寻找新型药物和催化剂）将成为这些新机器的首批实际任务之一。研究人员表示，它们非常适合预测分子的结构和行为，因为机器和分子都受量子力学的反直觉定律支配。
量子计算正转向科学实际应用
「我们目前正在使用化学问题来推进量子计算，而不是使用量子计算来推进化学，」Quantinuum 的战略主管 Chad Edwards 说。「但会有一个转折点」，届时这些角色将被逆转。「过去一年，速度明显加快，」位于巴黎的量子计算初创公司 PASQAL 的量子物理学家 Louis-Paul Henry 表示同意，该公司也专注于化学。「越来越多的人正在谈论应用，并研究与现实世界用途相关的更难的问题。」
量子计算机已经帮助研究人员放大燃料电池催化剂的反应路径，模拟光与物质之间极其短暂的相互作用，并揭示蛋白质中可用于药物治疗的口袋。量子计算公司 Phasecraft 的联合创始人 Ashley Montanaro 表示，如今的量子计算机几乎足以发现传统系统无法触及的东西。「它比人们之前想象的要近得多。」
标准计算机以 0 和 1 的形式处理数据位，而量子计算机则依赖于「量子比特」，它可以将数据编码为 0、1 或同时处于「叠加」状态的两种状态的任意组合。
在 Quantinuum 的计算机中，量子比特是镱离子中的电子，它们可以悬停在两个不同能级的叠加中。在计算过程中，多个量子比特会「纠缠」，因此它们的能量状态会相互影响，从而可以同时评估它们所有可能的相互作用。
Quantinuum 创始人 Ilyas Khan 将经典计算比作老鼠在迷宫中导航，在反复试验中随机转弯，寻找正确的路径。他说，量子计算机可以鸟瞰同一个迷宫，这使得人们更容易一次性看到最佳路径。验证解决方案就像测试量子计算机揭示的分子结构或行为一样简单。「你知道你已经到达终点了，因为你拿到了那块奶酪。」Khan 说。即使将几百个量子比特连接在一起，也应该能够进行极其复杂的计算。
挑战在于量子比特很脆弱：空气粒子、少量热量甚至杂散宇宙射线的轻微碰撞都可能扰乱量子比特的叠加态，产生错误，从而影响结果。研究人员通过冷却量子比特并将其与环境隔离来将这些影响降到最低。它们也有冗余。尽管今天的量子计算机可能连接了数十或数百个量子比特，但只有一小部分量子比特执行逻辑运算，而其余的量子比特则纠正错误。
即便如此，这些机器也变得越来越强大。去年，IBM 推出了一款基于微型超导电路的 1121 量子比特计算机，高于 2021 年发布的 127 量子比特版本。加州初创公司 Atom Computing 更进一步，去年推出了一款依赖中性镱原子自旋的 1180 量子比特计算机。
IBM Quantum Heron 处理器。（来源：IBM）
其他人则在努力提高准确性。2023 年 12 月，哈佛大学的研究人员使用另一家中性原子初创公司 QuEra 的 280 量子比特计算机，报告称，他们的系统降低了错误率，使他们能够编码多达 48 个逻辑量子位，并在量子纸牌屋倒塌之前「忠实」地执行数百次操作，这比以前的设置有了很大的改进。
上个月，Quantinuum 的科学家报告称，微软的一种新算法大大提高了他们检测和纠正最新 32 量子比特离子芯片错误的能力。加州大学洛杉矶分校的量子计算专家 Prineha Narang 表示：「硬件进步的速度足够快，很快就会影响到可实现的应用数量。」
在 Quantinuum 的 H2 芯片中，悬浮在中央微小「赛道」上方的离子可以计算分子结构。（来源：QUANTINUUM）
许多研究人员期望这些应用能从化学中出现。化合物和材料的性质由化学键的形成和断裂、电子的运动和磁性行为决定——所有这些都由量子力学决定。研究人员可以通过求解分子的薛定谔方程来推断分子的行为，该方程部分描述了电子的概率、波动行为及其与原子核的相互作用，基于电子能级和化学键长等输入。
经典计算机已经能够计算像并五苯（entacene）这样大的分子，它是由五个烃环组成的链，其中有 22 个电子以「π」共价键形式存在，这决定了分子的形状和反应性。但经典计算依赖于近似值，对于较大的分子，不可避免的误差会累积，从而影响结果。
相比之下，量子计算机不需要使用这些模糊因素，而是可以直接将电子和原子核之间的相互作用映射到量子比特上，使用实际的量子系统来表示它们的 kin。「量子系统和量子计算之间有着内在的一致性，」Edwards 说。
化学与量子计算相得益彰的另一个原因是，问题通常可以得到严格限制，使它们在当今可用的小型量子计算机的可及范围内。研究人员可能只需要关注少数电子的相互作用，就可以了解药物分子如何与其蛋白质靶标结合。微软量子组首席运营官 Brian Bilodeau 表示：「量子计算机的最佳问题规模很小」，可能出现多种结果。
量子混合算法
鉴于当今量子计算机的能力仍然有限，研究人员并没有要求它们独自完成所有计算工作。相反，大多数科学家都在寻求将量子处理器和经典处理器结合起来的混合方法。「现实是，这将是一个混合的世界。」Bilodeau 说。
当今最流行的混合算法是一种称为变分量子特征求解器 (VQE) 的算法，它使用经典计算机来近似分子的稳定基态，即对其结构及其与相邻分子相互作用的方式至关重要的最低能量配置。然后量子计算机接管并找到基态的精确解。
但如今容易出错的量子计算机通常难以处理 VQE。最大的 VQE 模拟发生在 2020 年，当时谷歌研究人员模拟了 12 个氢原子分子链中 12 个电子的行为。这接近但仍未达到经典模型并五苯及其 22 个「π」电子。
但新的和改进的混合算法正在获得发展势头。2022 年，谷歌科学家推出了一种可以计算分子氮和固体金刚石等物质中多达 120 个相互作用电子的基态的算法。该算法使用经典计算机探索电子相互作用的随机变化，并使用量子计算机引导经典系统获得精确结果。但它没有达到足够的精度，因此研究人员无法声称量子方法优于经典方法。
Phasecraft 的研究人员描述了量子计算机需要什么来模拟拟议的超导体（红色和灰色）中原子周围的电子（黄色和蓝色）的行为。（来源：PHASECRAFT）
化学家们现在正在推动这些混合装置，用于发现新材料和催化剂，甚至理解神秘的光驱动反应。在 1 月份《Nature Communications》杂志的一份报告中，Phasecraft 的研究人员描述了另一种混合算法，该算法利用量子计算机模拟晶体材料的结构和电子行为，晶体材料的重复结构使其更容易建模。
在一次这样的分析中，Phasecraft 的研究人员发现，他们的新算法所需的计算步骤应该比现有的 VQE 少 100 万倍，可以准确模拟钒酸锶，这是一种很有前途的新电池电极材料。尽管量子计算机还不足以让 Phasecraft 应用该算法，但它理论上可以揭示调整钒酸锶结构和改进电池的方法。
催化剂的反应表面可以加速化学反应，是这项早期工作的另一个目标。在 2023 年 7 月 arXiv 上的预印本中，Quantinuum 的研究人员报告说，他们使用一种混合装置来探索铂基催化剂的化学反应性，这种催化剂通常用于燃料电池中，通过将氢和氧转化为水来发电。铂金价格昂贵且稀有，因此研究人员希望提高其催化速度，使燃料电池使用更少的铂金，或者最好用更便宜的物质完全替代它。
论文链接：https://arxiv.org/abs/2307.15823
为此，他们需要了解铂金的工作原理——氧气和氢气如何吸附到催化剂上，它们如何通过中间化合物转移电子和质子，以及它们最终如何反应形成水分子，然后水分子从催化剂上分离出来。事实证明，仅靠传统计算机无法完成这些计算任务。
因此，由 Quantinuum 量子化学家 David Muñoz Ramo 领导的研究人员提高了模拟的准确性。首先，他们使用传统计算机模拟分子如何从催化剂颗粒上吸附和解吸；然后他们应用量子计算机来确定所涉及的电子和质子最可能的反应途径。尽管这种方法尚未发现新的燃料电池催化剂，但 Muñoz Ramo 表示，随着量子计算硬件的改进，此类模拟的结果只会变得更加强大。
量子算法还使研究人员能够研究化学中的基本问题。例如，去年，量子研究人员模拟了光与物质的相互作用，这是视觉和光合作用的核心过程。他们瞄准了一种光化学反应，其中分子吸收光子的能量并将其转移到相邻分子。能量转移仅发生在飞秒或千万亿分之一秒（10^-15）内，速度快到无法观察到。经典计算机可以模拟多个光子如何相互作用，但由于计算强度的原因，一次只能模拟几个光子。
论文链接：https://www.nature.com/articles/s41557-023-01300-3
因此，悉尼大学物理学家 Ting Rei Tan 和同事使用捕获离子量子计算机来模拟单个量子能量「波包」如何在相邻分子之间移动。这有效地将这个过程减慢了 1000 亿倍，并使模拟其中一个事件成为可能。有了更强大的量子计算机，该团队应该能够模拟更多的反应并超越经典技术。「我们正在接近量子优势。」Tan 说。
量子计算将成为药物发现不可或缺的一部分
短期内，量子计算可能会对药物开发产生最大的影响。如今，开发一种新药平均需要 12 年时间，成本超过 20 亿美元。Edwards 说，制药公司正在寻找任何可能的优势，来寻找下一个重磅炸弹。罗氏、辉瑞、默克、百健（Biogen）和其他行业巨头已经与量子计算公司建立了早期合作伙伴关系，希望新技术能够加速发现。「我绝对相信它即将到来，」药物开发商 ProteinQure 的研发主管 Mark Fingerhuth 说。
其中一些伙伴关系已开始初见成效。2023 年 9 月，PASQAL 和 Qubit Pharmaceuticals 的研究人员发布了一份预印本，描述了一种跟踪蛋白质周围水分子的混合方法，这可以指示药物结合口袋的位置。
研究人员首先使用经典算法来追踪一种称为主要尿蛋白 1 (MUP-1) 的肝蛋白内部和周围的水分子密度，从而缩小了问题范围，该蛋白属于一类被认为无法用药的蛋白质。然后，他们使用 PASQAL 的量子计算机确定了 MUP-1 潜在药物结合口袋中水分子的具体位置，为使用相同方法识别与疾病有关的蛋白质的可用药物靶点奠定了基础。
与此同时，2023 年 5 月，另一家药物开发公司 Gero 的研究人员在《Scientific Reports》中报告称，他们使用量子计算机更真实地模拟了可能的药物靶点的电子特性，例如分子间正电荷和负电荷的分布以及相邻原子之间称为范德华力的弱化学键的排列。
他们将这些约束输入到运行在传统计算机上的人工智能 (AI) 软件中，该软件得出了 2300 多种可以瞄准这些目标的类药物分子。虽然结果只是一个概念证明，但 Gero 的科学家指出，他们的量子人工智能混合体如何通过瞄准最佳药物的共同化学结构来展现其前景。「如果你用量子计算机解决了困难的部分，那么用传统人工智能就可以很容易地解决其他部分，」Gero 首席执行官 Peter Fedichev 说。
论文链接：https://www.nature.com/articles/s41598-023-32703-4
药物开发商 Insilico Medicine 的目标是更清晰地了解潜在药物分子与其蛋白质靶标之间的相互作用。
Insilico 研究人员在 2 月份报告称，他们在 IBM 的 16 量子比特量子计算机上运行的混合算法，可以帮助找到一种名为 KRAS 的细胞信号传导蛋白的新抑制剂，这种蛋白在癌症中经常发生突变。在算法设计并排序了 100 万种不同的潜在 KRAS 抑制剂后，研究人员合成了 15 种最有希望的候选药物。基于细胞的测试表明，其中两种化合物效果良好，为进一步测试奠定了基础。
论文链接：https://arxiv.org/abs/2402.08210
寻找新药并不是唯一的目标。PASQAL 的研究人员还希望预测哪些候选药物会失败。即使潜在药物在实验室研究中表现出色，许多药物在人体测试时也会引发毒副作用。在人体试验前淘汰有毒药物可以为公司节省数百万美元。在最初的尝试中，Henry 和他的 PASQAL 同事使用他们的 32 量子比特计算机通过高分辨率建模 286 种化合物的结构，并将其与已知会导致小鼠癌症的 349 种化合物进行比较来预测它们的毒性。
在 2023 年 4 月发表在《Physical Review A》上的一篇论文中，他们报告说，他们的量子算法给出的结果与最佳经典替代方案相当。「我们正在用真实的生物化学数据集解决一个真正的问题。」PASQAL 的首席技术官 Loïc Henriet 说。
论文链接：https://journals.aps.org/pra/abstract/10.1103/PhysRevA.107.042615
早期的工作只是对更大更好的机器可能带来的结果的初步了解。谷歌和 IBM 的路线图表明，科学家很快就会拥有数十万个量子比特可供使用。而 Quantinuum 表示，它即将发布一款新的量子芯片，在赛道上换取一个更大的 2D 网格，可以处理更多的高保真离子量子比特。化学家们寄予厚望。「我们认为，通过这种方式还有很多工作要做，以加速化学和药物发现，」Bilodeau 说。「我们正处于转折点。」
量子计算领域本身也将从中受益，因为其他领域的研究人员也看到了这项奇特技术带来的切实回报。「一旦量子计算能力得到提升，它将成为药物研发不可或缺的一部分，」Insilico Medicine Canada 总裁 Petrina Kamya 说道。「它将持续存在。」
参考内容：https://journals.aps.org/pra/abstract/10.1103/PhysRevA.107.042615