[论文解读] The Convergence Frontier: Integrating Machine Learning and High Performance Quantum Computing for Next-Generation Drug Discovery

Narjes Ansari, César Feniou+14 more|arXiv (Cornell University)|Mar 18, 2026

Machine Learning in Materials Science被引用 0

一句话总结

该论文主张机器学习、高性能计算与量子计算的三方汇聚，以实现量子精确的药物发现，提出量子模拟器 Hyperion 和量子增强数据管道 FeNNix-Bio1。

ABSTRACT

Integrating quantum mechanics into drug discovery marks a decisive shift from empirical trial-and-error toward quantitative precision. However, the prohibitive cost of ab initio molecular dynamics has historically forced a compromise between chemical accuracy and computational scalability. This paper identifies the convergence of High-Performance Computing (HPC), Machine Learning (ML), and Quantum Computing (QC) as the definitive solution to this bottleneck. While ML foundation models, such as FeNNix-Bio1, enable quantum-accurate simulations, they remain tethered to the inherent limits of classical data generation. We detail how High-Performance Quantum Computing (HPQC), utilizing hybrid QPU-GPU architectures, will serve as the ultimate accelerator for quantum chemistry data. By leveraging Hilbert space mapping, these systems can achieve true chemical accuracy while bypassing the heuristics of classical approximations. We show how this tripartite convergence optimizes the drug discovery pipeline, spanning from initial system preparation to ML-driven, high-fidelity simulations. Finally, we position quantum-enhanced sampling as the beyond GPU frontier for modeling reactive cellular systems and pioneering next-generation materials.

研究动机与目标

• 将量子力学引入药物发现的动机，克服从头分子动力学的局限性。
• 提出一个结合 ML、HPC 与量子计算的端到端药物发现管线。
• 展示量子计算如何提升量子精确训练数据对神经网络势的质量与规模。
• 提出一个量子模拟器（Hyperion）以连接 NISQ 时代与容错量子计算。
• 探讨量子增强取样作为反应性细胞系统与材料设计的前沿。

提出的方法

• 描述 HPC̶ML̶QC 收敛以加速药物设计工作流程中的量子化学计算。
• 将水分布/水化位点问题表述为 QUBO 并映射到量子优化器上的量子处理单元（NISQ 及更高版本）。
• 引入量子模拟器 Hyperion，在容错硬件前在受控环境中开发算法。
• 将 FeNNix-Bio1 作为在 Ignis 数据库上通过量子化学数据训练的基础 ML 模型。
• 综述近端期量子化学算法（VQE、QPE）及改进解 Ansatz（tUCCSDT、NI-DUCC、ADAPT 变体）以实现化学精度。

Figure 1 : ML/HPC/QC convergence leveraging all type of computing plateforms: from classical Graphics Card Units (GPUs) and Central Processing Units (CPUs) to Quantum Processing Units (QPUs) for simulations in drug design and beyond, from synthetic data (A/B) to system preparation (C) and applicatio

实验结果

研究问题

• RQ1 当前及近端硬件下，水化位点放置与相关的分子动力学预处理步骤是否能通过 QUBO/量子优化高效求解？
• RQ2 量子计算加速的数据生成如何提升药物发现中量子精确分子动力学的神经网络势？
• RQ3 在药物设计任务中达到实用性的资源扩展（量子比特、门操作）的预期规模与何时需要容错？
• RQ4 一体化的 QC/ML/HPC 管线如何在准确性与吞吐量上超越经典方法？
• RQ5 量子增强取样在建模反应性细胞系统与新材料方面能发挥怎样的作用，超越显卡的地位？

主要发现

• 在单个实例上，基于 QPU 的水化位点优化使用 123 个量子比特的量子处理单元优于经典精确求解器（CPLEX），随问题规模增大显示潜在的量子优势。
• 模拟未来量子性能的经典仿真（900–3,974 个量子比特）识别了多达约 4000 个变量的晶体水分子中 80–90% 的位置，随着量子比特增多显示可扩展的精度。
• 达到药物发现实用性的阈值大约为 1000 个变量，对于一个 900 变量的实例需要大约 100,000 个门操作，结合 IBM 路线图的改进，预计到 2028 年具备可行性。
• 量子数据生成可以提升神经网络势的训练数据，实现近量子精确的分子动力学，同时保持计算可行性——是 FeNNix-Bio1 目标的核心。
• Hyperion 能够进行严格的算法开发并在 NISQ 时代硬件与容错量子计算之间搭建桥梁，支持药物设计中端到端的 QC/ML/HPC 工作流。

Figure 2 : Detailed, step-by-step workflow followed to implement our protein’s hydration pocket hybrid NISQ/classical approach; each step is briefly described in a simple flow diagram, whose components are grouped and attached to one of the five main phases in which we schematically partition the pr