KI und die schwierigen Probleme der Welt · Quantenphysik & Quantencomputing · arXiv · 2026-10-26
Verteiltes quantenzentriertes Supercomputing mit mehrschichtigem generativem Lernen für intermolekulare Wechselwirkungen
Originaltitel: Distributed Quantum-Centric Supercomputing with Multi-Layered Generative Learning for Intermolecular Interactions
Methoden des quantenzentrierten Supercomputings (QCSC) sind bei großen aktiven Räumen durch Qubit-Anzahl, Schaltkreistiefe, Sampling-Kosten und großskalige Diagonalisierung begrenzt. Die Autoren schlagen ein verteiltes Framework vor, das molekulare Probleme in parallele Teilprobleme zerlegt und die globale Lösung mit einer zweistufigen Aggregation rekonstruiert, ergänzt durch ein mehrschichtiges generatives Modell. Bei Wasser- und Formamid-Dimeren verringerte es die Diagonalisierungsdimension um bis zu 95 % und verbesserte die Energiegenauigkeit gegenüber dem herkömmlichen SQD um eine Größenordnung; bei einem Wasser-Hexamer mit 120 Qubits zerlegte es das Problem in sechs Teilsysteme mit je 20 Qubits, und die Ergebnisse stimmten gut mit klassischen Referenzmethoden überein.