پردازش کوانتومی و پیشرفت‌های صورت گرفته در آن که عملیاتی شدن و گسترش و تجاری شدن رایانه‌های کوانتومی را قریب القوع کرده است، باعث شده که به کاربرد آن در حوزه‌های مختلف توجه زیادی جلب شود.
به گزارش گرداب، یکی از حوزه‌های مهمی که پردازش کوانتومی در آن بسیار نویدبخش است، کشف مواد و توسعه و ساخت دارو است. لازم به یادآوری است که مفهوم اولیه یک کامپیوتر کوانتومی –که به وسیلۀ ریچارد فاینمن برنده جایزه نوبل در مقالهای در سال ۱۹۸۲ ارائه شد- به عنوان ابزاری برای شبیه‌سازی فرآیند‌های کوانتومی، مانند عملکرد مجموعه‌ای از اتم‌ها بود. کاربرد‌های بعدی مربوط به پتانسیل یک کامپیوتر کوانتومی هنگام حل مسائل ترکیبی خاص تا زمانی که شور الگوریتم خود را در سال ۱۹۹۴ کشف کرد، مشخص نشد.
پردازش کوانتومی و صنعت داروسازی:
توسعه مولکول‌های مفید جدید به ترکیب‌های مختلط نیاز دارد و راه‌های ممکن زیادی برای ترکیب و پیوند اتم‌ها وجود دارد. تاریخچه کشف مواد و توسعه دارو مملو از داستان‌هایی است که در مورد تأثیر خوشبختی و شانس در ترکیب اتم‌ها و مواد مختلف هنگام کشف یک دارو بحث می‌کنند. به عنوان مثال، ایورمکتین دارویی است که برای اولین بار برای درمان کرم قلب در حیوانات استفاده شد. در دهه ۱۹۸۰، این دارو به عنوان یک درمان موثر برای انکوسرسیازیس توسعه یافت و کیفیت زندگی صد‌ها میلیون نفر را بهبود بخشید. تقریباً به اندازه خود تأثیر این دارو بر جهان، می¬توان از میزان بخت و اقبال لازم برای کشف این دارو سخن گفت.
در دهه ۱۹۷۰، ساتوشی اومورا، دانشمند مؤسسه کیتاساتو در ژاپن، برای مدتی به امریکا رفت و با محققان آمریکایی همکاری کرد. او پس از بازگشت به ژاپن نمونه‌هایی از خاک گرفت و باکتری‌های جالبی را از آن نمونه‌ها برای ارزیابی به امریکا فرستاد. یکی از این نمونه‌ها که در نزدیکی یک زمین گلف در ژاپن گرفته شده بود، حاوی باکتری‌ای بود که در نهایت برای تولید ایورمکتین استفاده شد.
در سال‌های اخیر، دانشمندان به طور فزاینده‌ای به شبیه‌سازی‌های شیمی محاسباتی برای کشف دارو‌ها روی آورده‌اند. با شیمی محاسباتی، دانشمندان سعی می‌کنند هم ساختار مولکولی یک ماده و هم خواص آن را درک کنند. بر اساس این شبیه سازیها، دانشمندان بهترین نامزد‌ها را برای ترکیب نهایی انتخاب می‌کنند. هدف شیمی محاسباتی منجر به کارایی هزینه در فرآیند تحقیق و توسعه نسبت به روش‌های قبلی شده است که شامل آزمون و خطا یا به سادگی شانسی است.
با این حال، شبیه سازی‌های شیمی محاسباتی به خودی خود چالش برانگیز هستند. اولاً، خواص یک مولکول به شدت تحت تأثیر کم انرژی‌ترین حالت آن است. بنابراین، برای ایجاد استنباط در مورد ساختار یک مولکول و خواص شیمیایی مورد انتظار آن، نقطه شروع بسیاری از شبیه‌سازی‌ها شناسایی ساختاری است که پایین‌ترین حالت انرژی یک مولکول را ایجاد می‌کند. در اینجا، مشکلات ترکیبی دوباره بوجود می‌آیند.
به عنوان مثال، شبیه سازی یک مولکول شامل ارزیابی برهم‌کنش بین هر الکترون و هر پروتون در هر اتم در مولکول و برهم‌کنش آن ذرات با هر اتم دیگر در مولکول است. مشخصاً هر الکترون از هر اتم از هر الکترون دیگر از هر اتم دیگر دفع می‌شود و هر الکترون از هر اتم به هر پروتون از هر اتم دیگر جذب می‌شود. بنابراین، افزودن یک اتم افزایشی به یک مولکول می‌تواند منجر به افزایش تصاعدی در تعداد برهم‌کنش‌هایی شود که باید در نظر گرفته شوند، زیرا الکترون‌ها و پروتون‌های اتم جدید با اتم‌های موجود در مولکول در تعامل خواهند بود.
به دلیل این چالش ترکیبی، تنها ترکیب مولکول‌های نسبتاً کوچک را می‌توان با استفاده از رایانه‌های فعلی به طور دقیق انجام داد. همچنین بسیاری از تقریب‌های محاسباتی ارزان‌تر نیز در دسترس هستند و در برخی موارد نتایج به اندازه کافی دقیق ارائه می‌کنند، اما در بسیاری از موارد دیگر با شکست مواجه می‌شوند. حال در این فضا، برخی از مسائل ترکیبی را می‌توان به گونه‌ای فرموله کرد که حتی یک دستگاه کوانتومی پر سر و صدا ممکن است به راحتی آن را حل کند.
یکی از رویکرد‌ها که به وسیلۀ D-Wave Systems در ۲۰ سال گذشته پیشگام بوده، کشف مسائل بهینه‌سازی است که ممکن است مزیتی را برای الگوریتمی به نام «آنیل کوانتومی» نشان دهد. هدف بازپخت کوانتومی یافتن بهترین راه‌حل برای یک مسئله با بهره برداری از تمایل مکانیک کوانتومی به «تونل زدن» از طریق موانع بین راه‌حل‌های مختلف ممکن است. در سپتامبر ۲۰۲۰، D-Wave یک سیستم سخت افزاری جدید با ۵۰۰۰ کیوبیت راه اندازی کرد که برای این منظور مفید است. از آنجایی که این رویکرد ممکن است حتی در دستگاه‌های کوانتومی نسبتاً پر سر و صدا قابل قبول باشد، دیگر سازندگان سخت‌افزار الهام گرفته‌اند تا الگوریتم‌های مختلفی را برای سخت‌افزار فعلی خود بررسی کنند. خوش‌بینی در مورد تأثیر نهایی محاسبات کوانتومی بر مهندسی شیمی و صنعت داروسازی بالا است، به‌ویژه پس از شبیه‌سازی هیدرید بریلیوم به وسیلۀ IBM Q در سال ۲۰۱۷. دانشمند دانشگاه تورنتو و کارآفرین کوانتومی، آلن آسپورو-گوزیک، پیشنهاد کرد که دستاورد‌های IBM Q را دنبال کنید «زمانی که رایانه‌ها قادر به انجام تعدادی شبیه‌سازی‌های شیمیایی به روش عددی دقیق هستند ممکن است منجر به کشف دارو‌های جدید با مولکول‌های کوچک یا مواد آلی شود».
به عبارت دیگر، دسته‌هایی از مولکول‌ها وجود دارند که شبیه‌سازی با روش‌های کلاسیک به دلیل ترکیبات زیربنایی آن‌ها بسیار چالش برانگیز هستند، اما زمانی که رایانه‌های کوانتومی به اندازه کافی بهبود یافتند، شبیه‌سازی سریع آن‌ها امکان‌پذیر خواهد بود. زمانی که این پیشرفت اتفاق بیفتد، این امر منجر به بهبود بیشتر در کارایی و کاهش هزینه تحقیق و توسعه نسبت به روش‌های محاسباتی فعلی خواهد شد.
حتی بدون یک کامپیوتر کوانتومی در مقیاس کامل، روش‌های کوانتومی از قبل تا حدودی امیدوارکننده به نظر می‌رسند. به عنوان مثال، OTI Lumionics یکی از بسیاری از شرکت‌هایی است که از یک رویکرد محاسباتی برای کشف مولکول از محاسبات کوانتومی استفاده می‌کند که در آن سعی می‌کنند ساختار و ویژگی‌های یک مولکول را به طور مشترک تعیین کنند.
باز هم، هدف از شبیه‌سازی یک مولکول، مدل‌سازی برهم‌کنش بین تمام الکترون‌های آن و جنبه‌هایی از فرآیند است که موانع ترکیبی را ایجاد می‌کنند.OTI کار خود را با هزاران نامزد بالقوه برای شبیه‌سازی شروع می‌کند و سپس فهرست را با استفاده از روش‌های محاسباتی کوانتومی به آن‌هایی تقلیل می‌دهد که ممکن است بر اساس تخمین‌های ساختار مولکولی دارای ویژگی‌های مورد نظر باشند.
این شرکت در حال آزمایش پلتفرم‌های سخت افزاری کوانتومی مختلف برای ایجاد مواد است. آن‌ها یکی از اولین شرکت‌هایی هستند که مشکلات خود را به گونه‌ای مدل‌سازی کردند که بتوان آن را بر روی سخت‌افزار آنیل کوانتومی D-Wave پیاده‌سازی کرد.
کار آن‌ها در پردازش کوانتومی، دو مزیت، یکی بلندمدت و دیگری کوتاه مدت برای شرکت به همراه داشته است. مزیت بلند مدت این است که OTI آماده پذیرش رایانۀ کوانتومی خواهد بود اگر و زمانی که کامپیوتر‌های کوانتومی به اندازه کافی قدرتمند شوند و نویز به اندازه کافی کاهش یابد. همچنین مزیت کوتاه مدت این است که کار OTI در پردازش کوانتومی با کمک به شرکت برای استخراج الگوریتم‌های الهام‌گرفته از کوانتومی که می‌توانند در معماری‌های محاسباتی کلاسیک فعلی اعمال کنند، بازدهی کوتاه‌مدت به همراه داشته است.
مدل‌سازی مشکل آن‌ها برای ماشین D-Wave مستقیماً به الگوریتم‌های الهام‌گرفته از کوانتومی منجر شد که نسبت به الگوریتم‌های کلاسیک قبلی بهبود‌هایی در کارایی ارائه کردند. اخیراً این شرکت یکی از چهار شرکتی بود که دعوت شد تا از سرویس جدید مایکروسافت با الهام از کوانتوم QIO به عنوان بخشی از Azure Quantum استفاده کند، جایی که شواهد جدید نشان می‌دهد که الگوریتم‌های الهام‌گرفته از کوانتوم OTI در ترکیب با Azure Quantum بر روی سخت‌افزار کلاسیک بهتر از سایر روش‌های کلاسیک عمل می‌کنند. این پیشرفت‌ها در سخت افزار کلاسیک مهم هستند.
به گفته مایکل هلندر، مدیرعامل OTI هزینه آزمایش با کوانتوم (که به عنوان هزینه فرصت برای تخصیص کارکنان برای کار با فناوری‌های کوانتومی بر خلاف پلتفرم‌های دیگر اندازه‌گیری می‌شود) حتی در کوتاه‌مدت از مزایای ایجاد شده به وسیلۀ آن بیشتر شده است.
از این گذشته، چندین شرکت دیگر در حال بررسی استفاده از محاسبات کوانتومی برای کشف مواد یا دارو هستند.
برای مثال، هوش مصنوعی Menten از ترکیبی از محاسبات کوانتومی، زیست‌شناسی مصنوعی و یادگیری ماشینی برای کمک به ایجاد پروتئین‌های جدید استفاده می‌کند. مثال دیگر نیز محاسبات زاپاتا است که برای اولین بار تعدادی از روش‌های محاسباتی کوانتومی کوتاه‌مدت را برای شبیه‌سازی‌های شیمیایی عملیاتی کرد. زاپاتا همچنین یک پلتفرم نرم افزار تجاری با کتابخانه¬های کوانتومی با کاربرد‌هایی در شیمی، بیوفارما، یادگیری ماشین و ... ایجاد کرده است.
جمع‌بندی:
کشف دارو و درمان بیماری‌هایی که زندگی انسان‌ها و همچنین محیط زیست را تهدید می‌کنند، یکی از مهمترین دغدغه‌های بشریت است. اما جامۀ عمل پوشاندن به این دغدغه امری بسیار سخت و دشوار بوده است. در طول تاریخ شاهد بیماری‌های بسیاری بوده‌ایم که جان میلیون‌ها انسان را به دلیل دشواری و زمان‌بر بودن کشف دارو و درمان گرفته است.
در همین زمینه برای مثال می‌توان به کرونا، آخرین بیماری همه‌گیری که هم اکنون جهان را آشفته کرده، اشاره کرد. متاسفانه واکسن این بیماری دیر کشف شد و و جان حدود ۵ میلیون نفر را گرفته است و همچنان به طور کامل درمان نشده است. همه این‌ها برمی‌گردد به این که برای کشف یک دارو، آزمایش‌ها و تحقیقات بسیار پیچیده و زمان‌بری لازم است که با رایانه‌های فعلی امکان تسریع آن‌ها وجود ندارد؛ بنابراین در این متن به امکان و توانایی پردازش کوانتومی برای تسریع این عملیات پرداختیم و چند شرکت و پروژۀ مختلف که در این زمینه فعالیت می‌کنند را معرفی کردیم.
