Att använda datorer för att studera polymerer har alltid varit en stor utmaning för vetenskaplig beräkning, speciellt för långa och tätt packade biomolekyler, som DNA. Nya perspektiv öppnas nu genom kvantberäkning. Forskare har nu omarbetat de grundläggande modellerna för polymermodeller som optimeringsproblem som effektivt kan lösas med kvantdatorer. Detta nya tillvägagångssätt har gjort det möjligt att utnyttja dessa maskiners avsevärda potential i ett hittills outforskat sammanhang.

Studien, publiceras i Fysiska granskningsbrev tidning, har involverat Cristian Micheletti från SISSA, och Philipp Hauke ​​och Pietro Faccioli från University of Trento.

Många av paradigmen för vetenskaplig beräkning, från Monte Carlo-tekniker till simulerad glödgning – författarna förklarar – utvecklades, åtminstone delvis, att studera egenskaperna hos polymerer, inklusive biologiska sådana som protein och DNA. Å ena sidan, kvantdatorernas frammarsch öppnar nya scenarier för vetenskaplig beräkning i allmänhet. På samma gång, det kräver utveckling av nya modeller för att dra full nytta av denna stora potential. Särskilt, kvantdatorer utmärker sig på att lösa optimeringsuppgifter. Dessa problem involverar vanligtvis att hitta den optimala kombinationen av systemvariabler enligt ett förutbestämt poängsystem.

Med tanke på detta, författarna har omarbetat de grundläggande polymermodellerna genom att upprätta en överensstämmelse mellan varje möjlig polymerkonfiguration och lösningarna på ett lämpligt optimeringsproblem.

"Vanligtvis, polymerkedjor är direkt modellerade som en sekvens av punkter i det tredimensionella rummet. I klassiska simuleringar, denna kedja animeras sedan via progressiva deformationer, efterliknar polymerens dynamik i naturen, " förklara författarna. Nu när vi går in i kvantberäkningseran, det blir naturligt att studera polymerer med dessa innovativa tekniker. Dock, beskrivningarna baserade på punkter i 3D-rymden kan inte lätt användas med kvantdatorer. Att hitta sätt att kringgå konventionella polymerbeskrivningar är alltså en utmaning som kan öppna nya perspektiv.

Micheletti förklarar att deras "strategi var att koda alla möjliga konfigurationer av ett system av polymerer som lösningar på ett enda optimeringsproblem. Optimeringsproblemet är formulerat i termer av Ising spin-variabler - en av de vanligaste modellerna inom fysiken - som är effektivt löst med kvantdatorer. För att förenkla, ett optimeringsproblem på Ising-modellen kan ses som ett färgpussel. Utmaningen består i att tilldela en blå eller röd färg till varje punkt i ett gitter samtidigt som man respekterar ett stort antal regler. Till exempel, punkterna A och B ska ha olika färg, och så bör punkterna B och C; samtidigt ska punkterna A och C vara av samma färg. Kvantdatorer är extremt effektiva på att lösa sådana problem, det är, att hitta den färgtilldelning som uppfyller det största antalet givna regler. I vårat fall, vid varje hittad lösning av optimeringsproblemet, vi skulle kunna associera en specifik polymerkonfiguration. Genom att upprepa sökandet efter lösningar, vi kunde alltså samla ett ökande antal polymerkonfigurationer, alla statistiskt oberoende."

Den snabba utvecklingen av kvantdatorer tyder på att dessa maskiner skulle kunna användas för att ta itu med vetenskapliga problem som är mycket mer komplexa än de som kan adresseras av konventionella datorer. "Det är därför det är viktigt att nu tillhandahålla de algoritmiska grunderna för att utnyttja potentialen i detta nya paradigm för vetenskapliga beräkningar." säger forskarna. "Vår studie ger ett första exempel på hur kvantberäkning kan användas för att studera nyckelpolymermodeller. I perspektiv, eftersom vårt tillvägagångssätt är generellt, det borde ge en grund för att ta itu med mer komplexa och ambitiösa system, som långa biopolymerer i trånga utrymmen, som också är nyckeln till att förstå genomets organisation."