Quantinuum、NVIDIA、Pfizer Inc.の研究者たちは、製薬研究と電子構造モデリングのための量子回路合成を自動化・加速するよう設計されたGenerative Quantum AI（GenQAI）フレームワークを検証しました。彼らの論文「Learning to Prepare Molecular Ground States with Transformer Models」では、古典的な高性能計算（HPC）、生成型トランスフォーマーモデル、量子処理ユニット（QPU）を組み合わせたハイブリッドアーキテクチャにより、複雑な医薬品有効成分（API）の基底状態準備回路を計算しています。
複数の機関からなるチームは、GPUで加速された古典的スーパーコンピューティングを介して生成された量子化学データセットで訓練された生成AIモデルであるADAPT-GQEを導入しました。このモデルは、強制劣化試験および保存安定性試験の業界ベンチマークとして使用される三環系抗うつ薬であるイミプラミンの完全な基底状態量子回路を予測し、生成された回路をQuantinuumの98量子ビットHelios-1イオントラップハードウェア上で実行しました。
この実験は、近未来の変分量子アルゴリズム（VQE）における根本的な計算上のボトルネックを解決します：
- 反復的勾配計算の回避：ADAPT-VQEのような標準的な適応アルゴリズムは、各ステップで数千の演算子勾配を評価し、パラメータ空間を再最適化する必要があり、約15量子ビットを超えるシステムの計算は計算量的に実行不可能となります。ADAPT-GQEは生成型トランスフォーマー（ファインチューニングされたNemotronおよびGemma 3アーキテクチャ）を使用して、単一のフォワードパスでコンパクトで低エネルギーの回路構造を合成します。
- 桁違いの高速化：AIで合成された回路は、12、14、16量子ビットの活性空間において、参照ADAPT-VQE訓練データの基底状態精度を達成または上回りながら、回路生成時間を3～4桁削減しました。
- 強化学習（RL）最適化：生成された回路出力に直接Group Relative Policy Optimization（GRPO）を適用することで、モデルは基礎となるADAPT-VQE訓練ベースラインの精度を改善する新しい演算子シーケンスを提案することを学習しました。
- 最先端ハードウェアでの実行：このフレームワークは、QuantinuumのInQuanto™ソフトウェアプラットフォームを介してイミプラミン配座異性体の合成回路をコンパイルし、Helios-1イオントラッププロセッサ上で実行することで、商用QPU上でのAI駆動型量子アルゴリズム生成の実現可能性を実証しました。
Quantinuum、NVIDIA、PfizerのChemical R&D部門の研究チーム間のこのコラボレーションは、実用規模の量子計算化学を自動化するためのオープンソース参照フレームワークを確立します。
arXivのプレプリント研究はこちら、Quantinuum Blogの技術発表はこちらでご覧いただけます。
2026年8月14日
