Zur Hauptnavigation springen Zur Hauptnavigation springen Zum Inhalt springen Zum Fußbereich springen

Teamwork für eine komplexe Molekular-Simulation

Technologie:Quantencomputing Forschungsbereich:Future Computing
09.11.2026

Quantensystem plus Supercomputer plus Künstliche Intelligenz: Für eine Simulation zur Spaltung von Proteinketten arbeiteten verschiedene Computertechnologien zusammen, außerdem mehrere Universitäten, Unternehmen und das LRZ. Gerade wurde die Dokumentation des Projekts veröffentlicht, es wird Zeit, einen Spezialisten zu fragen, wie hybrides Rechnen funktioniert.

Autoproteolyse ist ein spannendes Rätsel der Biologie: Manche Proteine können sich selbst aktivieren und ohne die Hilfe von Enzymen ihre Peptidketten aufspalten. Einige lebenswichtige Vorgänge im Organismus basieren auf Autoproteolyse, etwa die Blutgerinnung und die Wundheilung. Umgekehrt können Fehler in diesem Prozess Krankheiten wie Krebs oder neurologische Störungen begünstigen. Eine zentrale Rolle bei der Autoproteolyse spielen so genannte Adhäsions-G-Protein-gekoppelte Rezeptoren (aGPCR), das sind winzige mechanische Schalter auf den Oberflächen von Zellen. Sie gelten als äußerst vielversprechendes Ziel für Medikamente.

Bislang konnten Höchstleistungsrechner diese dynamischen Prozesse nur grob modellieren. Doch nun hat eine interdisziplinäre Forschungsgruppe verschiedene Computertechnologien für eine großangelegte Molekularsimulation verbunden. Das University College London (UCL), die Ludwig-Maximilians-Universität (LMU) sowie die Technische Universität München (TUM) erarbeiteten zusammen mit dem Leibniz-Rechenzentrum (LRZ) und den Technologieanbietern IQM Quantum Computers, QMatter und NVIDIA die mathematischen und technischen Methoden, um im hybriden Zusammenspiel von Quanten- und Supercomputing sowie Künstlicher Intelligenz (KI) die Protein-Spaltungsprozesse deutlich detaillierter zu simulieren.

Ihre Arbeit und Forschungsergebnisse hat die Gruppe bereits im Frühjahr publiziert, nun legt sie das ausführliche Paper „Multiscale Quantum-Classical-Simulation of Protein Autoproteolysis in a Million-Atom Membrane Environment“ nach. Der Informatiker Dr. Minh Chung unterstützte das Projekt am LRZ – und beschreibt in Paper und Interview, wie hybrides Rechnen mit unterschiedlichen Technologien funktioniert.

An der Simulation waren Universitäten, das LRZ sowie Unternehmen beteiligt – warum und wie wurden Aufgaben verteilt?
Dr. Minh Chung:
Der Anwendungsfall ist eine klassische Quantenchemie- oder Molekularsimulation, also zunächst kein neues Berechnungsverfahren, aber eines, das bislang selbst mit Supercomputern nur schwer auszuführen war. Moleküle bestehen aus zwei und mehr Atomen und diese wiederum enthalten Elektronen. Um Prozesse in einem Molekül sichtbar zu machen, müsste man eigentlich alle möglichen Anordnungen von Elektronen und auch der Atome ausprobieren. Da entstehen rechnerisch schnell Abermillionen von Variationsmöglichkeiten. 2023 wurde zur Lösung solcher Probleme die Quantum-Selected Configuration Interaction oder QSIC bekannt, auf der unter anderem auch unser Use Case basiert. Sehr verkürzt beschrieben sucht der Quantencomputer die wichtigsten Anordnungen heraus, die dann klassische Rechner berechnen. In unserem Projekt fand das UCL-Team um Prof. Peter Coveney außerdem heraus, dass die Proteinspaltung mit den aGPCR in besonders aktiven Regionen des Moleküls stattfindet, die ebenfalls am Quantencomputer modelliert werden konnten. Mit QMatter entwickelte das UCL-Team das Modell eines Moleküls samt Rezeptor, Peptidketten und aktiven Regionen, das aus mehr als 1,17 Millionen Atomen bestand, dazu die entsprechenden Berechnungsformeln und Algorithmen für Super- und Quantencomputer. LMU, TUM und IQM waren verantwortlich für die Technik, also einerseits für die Kalibrierung und Fehlerkorrektur von Euro-Q-Exa sowie die Implementierung von Experimentaldaten, Abbildungen und Software in die Qubits sowie auf den HPC- und KI-Systemen. Schließlich haben wir die Ergebnisse des Quantensystems gemessen. NVIDIA wiederum unterstützte bei der Software-Entwicklung auf Basis des Programmier-Frameworks CUDA-Q und gab uns Zugriff auf mehr GPU.

 

Welche LRZ-Systeme wurden eingesetzt? Chung: Wir starteten das Projekt vor etwa einem Jahr und haben zunächst an verschiedenen Systemen Proberechnungen durchgeführt, um diese auf immer größere Moleküle zu skalieren. Von Euro-Q-Exa kamen daher erst 10, dann 30 und schließlich 52 Qubits zum Einsatz. Außerdem haben wir mit HPC-Ressourcen aus der BEAST-Testumgebung gerechnet, die auch GPU enthielten und eine direkte Verbindung zum Euro-Q-Exa-System bot. In der Pipeline dieses Anwendungsfalls gibt es rechenintensiven Schritte, die als Nachbearbeitung bezeichnet wird und für dessen Beschleunigung GPUs notwendig waren. Deren Anzahl steigerten wir erst mit den BDAI-Systeme und schließlich mit denen von NVIDIA auf bis zu 1200. Wir wollten so herausfinden, ob die Skalierung der Systeme überhaupt Vorteile bei der Berechnungen bringt oder nicht.

Aber Quantencomputer und HPC- sowie KI-Systeme basieren auf unterschiedlichen mathematischen Verfahren.
Chung:
Wie die Simulationsaufgaben auf verschiedene Computerarchitekturen verteilt werden, hängt von der rechnerischen Komplexität einzelner, molekularer Teilprobleme ab. Daher klären wir zuerst alle notwendigen Aufgaben, entwickeln eine Pipeline für die Vor- und Nachverarbeitung der Daten und entscheiden dann, welche Kombination aus Algorithmus und Architektur für die jeweilige Aufgabe am besten geeignet ist. Für die Teile einer solchen Molekülsimulation, die klassisch berechnet werden sollen, setzen wir auf etablierte, validierte Open-Source-Software sowie auf Strukturmodelle, die anerkannt sind im Fachbereich. Beim hybriden Rechnen muss dieses Abstraktionsniveau und die strenge Validierung zwingend auch beim Übergang zu Quantenarchitekturen erhalten bleiben. Zurzeit entstehen dafür verschiedene Frameworks und Bibliotheken, die diese technische Verbindung unterstützen und den Reifegrad der Software sichern. In unserem Projekt haben wir dafür CUDA-Q eingesetzt, um eine einheitliche Entwicklungsumgebung für alle Technologien bereitzustellen.

Unterscheiden sich  Ergebnisse aus den  verschiedenen Systemen? Wie?
Chung:
 Ein Quantencomputer gibt kein einzelnes Ergebnis wie ein klassischer Computer aus, sondern schätzt die Wahrscheinlichkeit möglicher Resultate. Am Ende liegen aber digitale Rechenergebnisse vor, mit denen wir gut arbeiten können. Wichtiger als die Ergebnisse ist die Frage, welches System für welchen Teil der Berechnung am besten geeignet ist. Supercomputer liefern beste Ergebnisse bei rechenintensiven Aufträgen, sie verarbeiten große Mengen an Daten und führen umfangreiche Berechnungen aus, durch ihre parallelisierte Architektur auch in zahlreichen Wiederholungen. Quantencomputer sind zurzeit durch die Anzahl verfügbarer Qubits begrenzt, daher können sie noch keine sehr großen Berechnungen im Alleingang bewältigen. Die Herausforderung liegt also darin, dass wir die besonders komplexen und schwierigen Teile einer Berechnung identifizieren, die sich fürs Quantencomputing eignen.

Zurzeit wird ein weiteres Euro-Q-Exa-System am LRZ installiert, das die Rechenkraft von 150 Qubits bietet: Könnte man damit diese Molekular-Simulation vollständig auf dem Quantencomputer ausführen und macht das Sinn?
Chung:
Das wäre grundsätzlich möglich, würde aber eine grundlegende Neugestaltung der ganzen Pipeline erfordern, damit diese nativ auf einem Quantencomputer laufen könnte. Noch ist die die Anzahl der Qubits eingeschränkt, auch angesichts der aktuellen Fehlerraten ist es noch nicht realistisch, sich ausschließlich auf Quantenhardware zu verlassen. Deshalb ist ein hybrider Ansatz – die Integration von HPC, KI und Quantencomputing – so überzeugend, und genau das ist auch das Ergebnis unseres Projekts. Dieses war auf hybrides Rechnen und die Zusammenarbeit von verschiedenen Technologien ausgerichtet. Ob es Sinn macht, die Molekular-Simulation auf einem größeren System wie das Euro-Q-Exa-System 2 auszuführen, werden Chemiker und Biologinnen entscheiden. Ich könnte mir vorstellen, dass ein größeres System die aktiven Regionen von aGPCRs und ihre Funktionsweisen noch detaillierter modellieren könnte. (LRZ | vs)

Bildnachweis: © LRZ | V.Hohenegger; adobe.stock.com – RareStock

Wir wollen die für Sie wichtigsten Informationen und Services bestmöglich bereitstellen. Um uns dies zu ermöglichen, benötigen wir Ihr Einverständnis, dass wir mit Hilfe des Web-Analyse-Tool »Matomo« eine anonymisiert Auswertung Ihres Besuchs zu statistischen Zwecken erstellen und auswerten dürfen. Sie können Ihr Einverständnis jedenfalls auf der Datenschutz-Seite ändern, anderenfalls gilt es für zwölf Monate.