Bessere Prognosen und detailliertere Modelle

Bei der Modellierung von dynamischem Chaos sowie der Simulation biologischer Moleküle kombinieren Sie und Ihr Team am University College London inzwischen Quantencomputing mit Supercomputing sowie Methoden der künstlichen Intelligenz – was bringt das?
Prof. Peter Coveney: Zunächst einmal forschen mein Team und ich am Centre for Computational Science des UCL, wie wir Wissenschaft mithilfe von Computern voranbringen können. Dafür haben wir mehrere Jahre Erfahrungen im Umgang mit Quantencomputern des sogenannten Noisy Intermediate-Scale Quantum- oder NISQ-Zeitalters gesammelt. Wir suchen Wege, um aus dem Rauschen dieser Rechner Signale zu extrahieren. Das erreichen wir, indem wir Symmetrien und Pseudo-Symmetrien ausnutzen, um die Anzahl der benötigten Qubits für eine Berechnung zu reduzieren. Außerdem kennen wir viele Methoden, um Rauschen und Fehler zu reduzieren. Einige davon sind bereits in der Fachliteratur beschrieben, andere haben wir selbst entwickelt. 

Sie haben einen G-Protein-gekoppelten Rezeptor, den GPCR, simuliert. Bislang waren diese riesigen Moleküle mit mehr als einer Million Atomen schwer mit klassischen HPC-Methoden zu modellieren. Wie sind Sie dieses Mal vorgegangen?
Coveney: GPCR sind große, membrangebundene und sehr wichtige Proteine, die in unserem Körper viele Funktionen der Signalverarbeitung ausführen und daher Ziel von Medikamenten sind. Unser Ansatz basiert auf der mit dem Nobelpreis ausgezeichneten Methode „QM/MM“, also einer Form der hybriden oder gekoppelten Multiskalen-Simulation, bei der ein quantenmechanischer Bereich – dafür steht das QM – mit einem molekularmechanischen Bereich verbunden wird. Die meisten Atome befinden sich im klassischen Bereich, und ihr Verhalten beschreiben wir mit Hilfe von Molekulardynamik. Der QM-Bereich ist der Ort, an dem die wichtigen biochemischen Prozesse stattfinden – in diesem Fall die sogenannte Autoproteolyse, bei der die Proteinkette durch Wassermoleküle in zwei Teile gespalten wird. Das Neue in unserer Arbeit besteht darin, dass wir den innersten Kern des QM-Bereichs, der sonst mit einer relativ günstigen, aber vergleichsweise ungenauen Methode, der Dichtefunktionaltheorie, modelliert wird, auf einen Quantencomputer auslagern. Dieser berechnet den detaillierten elektronischen Zustand einer kleinen Gruppe von rund acht Atomen mithilfe einer genaueren Wellenfunktionstheorie. Nach dem Sampling der Wellenfunktion auf dem Quantencomputer wird diese auf einen klassischen Rechner zurückgeführt, wo ihre elektronische Energie als Funktion der sogenannten Reaktionskoordinate berechnet wird, während die biochemische Reaktion abläuft.

Welche technischen Ressourcen haben Sie für dieses Projekt genutzt?
Coveney: Bei diesem Projekt konnten wir Euro-Q-Exa nutzen, einen Quantencomputer auf Basis supraleitender Schaltkreise mit 54 Qubits von IQM, der mit dem Bavarian Energy Aware Software Testbed- oder BEAST-System verbunden ist, außerdem Ressourcen von BayernKI. Darauf liefen verschiedene Softwarepakete, darunter GROMACS für Molekulardynamik sowie mehrere quantenmechanische und QM/MM-Programme und neue Quantum Selected Configuration Interaction- oder QSCI-Software, die auf dem Quantenprozessor läuft. Die gesamte gekoppelte Umgebung wurde in CUDA‑Q von NVIDIA eingebettet, das klassische Rechenkapazitäten und Quantencomputer integriert und die Anbindung verschiedener Quanten-Backends ermöglicht.

Was zeigen die Ergebnisse?
Coveney: Die bisherigen Ergebnisse zeigen, dass die Nutzung des Quantencomputers Resultate liefert, die denen sehr nahekommen, die ohne ihn berechnet wurden. Tatsächlich sind die von uns verwendeten Modelle jedoch insgesamt größer als jene, die ausschließlich mit klassischen Computern berechnet wurden. Der Ansatz ermöglicht es uns also, reale und komplexe makromolekulare Systeme mit Hilfe von Quantencomputern zu untersuchen – auch wenn nur ein kleiner Teil davon tatsächlich darauf erstellt wird. Unsere wissenschaftlichen Analysen laufen derzeit noch weiter und werden durch die am LRZ aufgebaute Infrastruktur, die klassische und Quantencomputer integriert, stark unterstützt.

Noch sind die Leistungen von Quantencomputern eher begrenzt – auf welche Einschränkungen sind Sie bei hybriden Simulationen gestoßen?
Coveney: Das sind sie, daran besteht kein Zweifel. Deshalb mussten wir die Größe des quantenmechanischen Bereichs, der auf das IQM-Device ausgelagert wurde, minimieren. Selbst mit ausgefeilten Methoden zur Rausch- und Fehlerreduktion konnten auf diese Weise nur etwa sechs bis acht Atome untersucht werden. Dennoch erzeugten wir gesampelte Wellenfunktionen mit über einer Million elektronischer Konfigurationen, deren Auswertung bis zu 1.200 GPU erforderte. Damit konnten die Grundzustandsenergien in etwa einer Stunde bestimmt werden.

Sie zeigen auch, dass Quantencomputing die Künstliche Intelligenz – genauer gesagt das Maschinelle Lernen – verbessern kann: wie?
Coveney: Klassische Machine-Learning-Modelle für chaotische Systeme verlieren bei langen autoregressiven Vorhersagen nach und nach den Überblick über die invarianten, statistischen Eigenschaften der Dynamik. Ihre Prognosen driften schließlich ab oder fallen in einen unphysikalischen Zustand zurück. Die Kopplung mit Quantencomputern kann diese Entwicklung ausgleichen und führt dann zu langfristigen Vorhersagen, die physikalisch konsistent mit der zugrunde liegenden Dynamik bleiben.

In welchen Forschungs- oder Industriebereichen könnte QIML wichtig werden? Wer sollte sich Ihre Methode genauer ansehen – und warum?
Coveney: Prinzipiell hat QIML Potenzial für die Vorhersage aus beliebig komplexen Datensätzen, deren Struktur für klassische Machine-Learning-Modelle nur schwer vollständig zu erfassen ist. Der Quantengenerator extrahiert statistische Informationen, die rein klassische Modelle oft übersehen, und gibt sie in einer Form an einen klassischen Prädiktor weiter, die dieser leicht nutzen kann. Bisher haben wir die Methode anhand klassischer chaotischer Benchmark-Systeme mit steigender Schwierigkeit validiert, zunächst mit der Kuramoto–Sivashinsky-Gleichung, danach mit zweidimensionaler Kolmogorov-Strömung und schließlich dreidimensionaler turbulenter Kanalströmung. Wir haben das Verfahren detaillierter in Science Advance beschrieben. Derselbe Mechanismus dürfte in allen Bereichen nützlich sein, in denen Daten komplexe, nicht-Gauß‘sche oder intermittierende Strukturen aufweisen.

Sie sprechen sogar von einem Quantenvorteil – warum?
Coveney: Der von uns gezeigte Vorteil ist ein Repräsentations- und Speichervorteil, der sich direkt in besseren Vorhersagen niederschlägt. Ein Q‑Prior mit 10 Qubits kann statistische Korrelationen kodieren, für die ein vergleichbares, klassisches Dichtemodell um Größenordnungen mehr Parameter benötigen würde. Die daraus resultierenden Prognosen übertreffen im anspruchsvollsten Fall führende neuronale Operatoren.

Welche technischen Voraussetzungen sind dafür nötig? Hängt QIML zum Beispiel von einer bestimmten Zahl an Qubits ab?
Coveney: QIML ist bewusst bescheiden in seinen quantentechnischen Anforderungen. Unsere Demonstrationen nutzen 10 bis 15 Qubits, wobei der Q‑Prior als flacher Schaltkreis im NISQ‑Regime implementiert ist. Entscheidend ist weniger die Anzahl der Qubits als vielmehr die Messpräzision und die Qualität der Zwei‑Qubit-Gates: Ein kleines, hochwertiges System ist für QIML nützlicher als ein größeres, aber verrauschtes. Der klassische Teil basiert auf GPU-Rechenleistung, weshalb QIML ideal in hybriden Systemen eingesetzt wird, wie sie am LRZ bestehen und aufgebaut werden.

Sie haben die Berechnungen auf einem Quantencomputer auf Basis supraleitender Schaltkreise durchgeführt – würde QIML auch mit anderen Quantentechnologien funktionieren?
Coveney: Für das QIML-Projekt nutzten wir einerseits die HPC-Infrastruktur des LRZ für den klassischen Teil, während der Quantenteil auf supraleitender Hardware von IQM lief, die wir über die Cloud-Plattform IQM Resonance erreichten. QIML selbst ist jedoch unabhängig von der Hardware. Der Q‑Prior verwendet standardmäßige Ein-Qubit-Rotationen und lokale Verschränkungsgatter, sodass das Verfahren auch auf Ionenfallen-, Neutralatom- oder anderen gatterbasierten Quantensystemen einsetzbar ist. Entscheidend sind Messpräzision und Zwei‑Qubit-Fidelität, nicht die konkrete Hardwarearchitektur.

Welche Kombinationen bestehender Simulations- oder Rechenmethoden planen Sie als Nächstes?
Coveney: Wir erweitern QIML derzeit in zwei Richtungen. Erstens auf neue Anwendungsgebiete – insbesondere auf biologische Systeme, in denen starke Variabilität und intermittierendes Verhalten typisch sind, sowie auf klimarelevante Phänomene, bei denen langfristig statistisch konsistente Vorhersagen entscheidend sind. Zweitens arbeiten wir an einer engeren Integration von QPU und GPU, also an hybrid integrierten Workflows, die Quanten- und klassische Ressourcen in einem gemeinsamen Trainings- und Inferenzprozess verbinden, das ebenfalls wieder in Zusammenarbeit mit dem LRZ und auf Basis der CUDA‑Q-Plattform. Interview: vs | LRZ

Das Bild oben zeigt ein digitales Modell und veranschaulicht, wie in Zellen durch Andocken von Stoffen Signale übertragen oder Gene aktiviert werden. An solchen Prozessen sind auch GPCR beteiligt. KI-genierte Grafik: Huzaifa/Adobe