量子化学已经成为新兴量子计算机的重要基准应用。在本文中，我们将重新审视此应用程序的总体动机，以及算法的迭代性质如何为提高噪声量子机上的结果质量带来独特的挑战和机遇。

药物发现：重要性和挑战

COVID19大流行表明需要加快医学领域的科学创新，这将大大提高我们开发新型有效药物的能力。药物发现是发现潜在新药的过程，从最初的假设到完全商业化的产品。今天，这个过程通常需要10年以上的时间和数十亿美元的花费，才能使一个分子被确认为药物。

这些资源的很大一部分用于通过所谓的计算机辅助药物设计（CADD）来鉴定对疾病具有显着药用活性的分子。CADD面临的一个主要挑战是准确分析每种候选药物与生物靶标的相互作用，这在很大程度上受到精确分子系统模拟的计算成本的限制。这是因为多电子分子系统模拟的计算成本随着电子数量呈指数级增长。

分子化学的量子计算

在现在被广泛认为的量子计算的起源中，费曼提出，遵守量子力学的计算机可以有效地模拟量子系统，例如上面描述的分子系统。量子计算机已经成为现实(尽管有许多障碍需要克服)，我们正准备迎接量子化学模拟的潜在范式转变。量子计算有可能为许多经典的棘手问题提供高效和高度精确的解决方案，例如寻找分子的势能，即在不同键长(如图中的H2)下将分子分解为亚原子组分所需的能量。然后将其用于估计化学反应速率，除了材料科学、化学工程和核物理学中的其他重要应用外，这对于加速有效药物发现是不可或缺的。

变分量子算法

但是，目前的量子计算机噪声非常大，在SPAM错误、门错误、退相干、串扰等方面存在着很高的错误率。在构建具有足够量子比特的设备来有效地纠正这些错误之前，我们还有一些路要走(尽管我们有一些很有希望的路线图!)因此，在量子器件的近期和中期的未来，我们应该期望生活在不可忽略的噪音水平下。

幸运的是，上面描述的分子化学应用可以通过被称为变分量子算法的混合量子经典方案，更具体地说是变分量子本征求解器(VQE)，用噪声相当大的量子器件来处理。VQE用于估计目标函数的最小值，其中目标函数是一个哈密顿量的期望值，而哈密顿量是经典棘手目标问题的数学表示。为了实现这一点，VQE试图迭代地寻找参数化量子电路(称为an’ansatz)的合适参数，从而使目标哈密顿量的期望值最小化，它通过适应NISQ设备的噪声分布来实现这一点。通过构建分子系统的哈密顿量，可以估计它们的电子结构、化学反应性和更多的东西，这些在前面描述的分子化学问题中起着关键作用。

VQA：挑战与机遇

虽然前景很明朗，但事实证明，在NISQ时代，高精度地估算VQE的全局最优值具有挑战性。今天机器上的能量估计，即使是相对较小的分子系统，仍然比目标精度要求差数量级。因此，有必要开发经典的支持和误差缓解技术，以推动VQA克服这个最后的困难。我们描述了VQA的一些组成部分(如上图所示)，最先进的技术，以及未来的挑战和机遇如下：

Ansatz：许多Ansatz结构适用于VQA。在分子化学VQE的背景下，酉耦合簇单双（UCCSD）ansatz被认为是黄金标准。不幸的是，UCCSD ansatz通常具有相当大的电路深度，使其不太适合当今的NISQ机器。更适合NISQ时代的是硬件高效的安攻局，它们是低深度参数化电路。但是，硬件效率高的 ansatz 的功能可能会受到限制，因为它与应用无关，在目标希尔伯特空间覆盖范围中效率低下，需要许多调整参数，并且容易出现贫瘠的高原。探索的有前途的中间地带解决方案包括动态发展的ansatz，例如ADAPT-VQE中提出的解决方案，但可能会承受高昂的调优成本。构造一个既能适应问题，又能满足NISQ器件限制的ansatz是一个开放的研究问题。

优化器：经典调谐器/优化器会对参数化电路进行变化更新，直到测量的目标收敛到最小值。由于NISQ机器中的高噪声水平，优化表面通常可以是非凸面和非光滑的。由于电路深度、参数数量和纠缠扩散的增加，随着问题复杂性的增加，表面轮廓会恶化。虽然存在多个调谐器（如 SPSA），但在确定每个应用甚至每个应用阶段的最佳调谐器及其超参数方面仍有许多工作要做。要考虑的约束包括：导数与无导数方法，每次迭代的样本数，在贫瘠的高原上导航，具有边界/约束的性能，对瞬态噪声的鲁棒性，经典计算成本等等。

初始化：精心选择的安动兹初始化有助于避免相当大的噪声效应以及贫瘠的高原，从而实现快速准确的收敛。对于VQE，一种为量子系统构建公平初始状态的流行而简单的方法来自Hartree-Fock（HF）理论。HF通过假设每个电子的运动可以被描述为独立的粒子函数，独立于其他电子的瞬时运动（因此，可以限制其精度）来产生没有纠缠的初始状态。初始化为经典计算社区提供了诱人的研究机会。一个好的选择可以提供巨大的好处，因为初始化决策是在无噪声的经典设置中做出的，因此可以减少NISQ器件必须调整的噪声量子空间。

测量：VQE的另一个关键挑战是所需的大量电路测量，与以下因素成正比：哈密顿量中的项数，每项的射门数以及收敛的迭代次数。每次迭代本身的项数按 O（N） 缩放4），其中 N 是量子比特数。通过执行同时测量和术语截断等技术，可以部分减少项测量，而通过智能镜头分配可以减少射击次数。当然，迭代次数会随着更好的优化器和噪音更小的设备而减少。测量可以成为VQE的实用限制器，对减少测量进行重大研究至关重要。

错误缓解：已经提出了多种错误缓解策略来纠正不同形式的NISQ设备量子错误。虽然这些技术有可能大大提高执行保真度，但这些方法的理论期望与它们在实际硬件上的表现之间通常存在显着的脱节。根据机器的实际噪声执行环境动态定制错误缓解技术的特定功能非常适合变分量子方法，该方法已经将门角参数作为框架的一部分进行调整。先前的研究表明，可以利用变分算法的迭代特性来改进退相干错误缓解技术的部署。在变分工具中探索新的（和改进旧的）缓解技术有很多机会。

结语

近期的量子计算领域，如变分量子算法，有潜力在现实世界中取得实质性的进展，在关键领域，如药物发现和其他化学和优化领域。在VQA领域有足够的机会进行经典/量子/交叉堆栈研究，我们的社区很好地准备以各种方式推动量子针向前!

原文链接：https://www.sigarch.org/modern-chemistry-problems-require-modern-quantum-solutions/

---煤油灯科技victorlamp.com翻译整理---