今天的文章来自美国的科普杂志《科学美国人》(Scientific American)，作者为Jeannette M. Garcia博士，IBM量子应用、算法和理论团队的高级经理。她的团队的研究重点是量子计算的计算科学应用和理论。
图1｜Jeannette M. Garcia（来源：The Business Journals）
1.IBM发明大师的“机缘巧合”
此前，Garcia的对研究如何合理设计新型聚合物和材料十分感兴趣，尤其是具有独特机械性能和热性能的可回收材料。她曾发起过储能、高性能材料和聚合物回收再利用方面的环保项目。
且她带领的团队发现了新一类可回收工业聚合物，还开发了利用废弃饮料瓶或电子废弃物制造高性能聚合物的方法，并设计了一种低成本的便携式检测系统，用于检测和去除饮用水中的有毒重金属物质。
Garcia曾就读于西雅图大学并获得学士学位，攻读化学博士期间师从波士顿学院Amir H. Hoveyda教授，专注于设计并开发催化剂。
2012年，当她第一次作为博士后研究员加入IBM时，她与Jim Hedrick博士一起研究高性能和可回收材料。2013年，她正式成为IBM的一名研究人员。从2017年到2018年，她担任IBM首席运营官Sophie Vandebroek博士的技术顾问。在此之后，2018年到2019年，她成为量子化学和科学领域量子应用的经理和全球负责人。
不仅如此，她撰写了40多篇论文，拥有超过104项已授权/正在申请中的专利，被IBM评为IBM发明大师（IBM Master Inventor）。此篇文章是她首次在《科学美国人》杂志上撰稿，意义重大，呈现给读者（下文中的“我”指代Jeannette M. Garcia博士）。
图2｜《量子计算如何重塑化学》（来源：Scientific American）
在我的化学家生涯中，我对“机缘巧合（Serendipity）”发生的事情，十分感激。2012年，我在正确的时间出现在正确的地点（IBM位于加州的Almaden研究实验室），但却做了件“错”事。我本该在烧杯中混合三种成分，从而发现一种化学物质的组合。简单来说就是从塑料废弃物中提取出化学物质，来替换掉其中一种化学物质，以增强热固性聚合物的可持续性。
相反，当我把两种试剂混合在一起时，烧杯中形成了一种坚硬的白色塑料物质。非常之坚硬，以至于我不得不将烧杯砸碎才能把它弄出来。而且，当它在稀酸中静置一夜后，又复原为之前的材料了。就是在这种无意当中，我发现了一类全新的可回收热固性聚合物。假如我当初在实验失败的时候就放弃而不是继续跟进，那么永远都不会有此次发现。
我私认为，此次的“机缘巧合”十分成功，在科学史上可以留下深邃印记。有点继承传统的意味蕴含其中，就像美国化学家罗伊·布朗克在研究氟利昂时，意外发现了聚四氟乙烯（PTFE，即特富龙）。亦或是苏格兰生物学家亚历山大·弗莱明，他不小心在细菌培养皿留下一个金黄色葡萄球菌的孢子，后来周围的细菌被杀死，从而“意外发现”霉菌具有杀菌作用。这种令人欣喜的“机缘巧合”或“意外发现”，贯穿在历史的长河中，熠熠生辉。
图3｜罗伊·布朗克偶然发现特富龙（来源：Teflon）
而今天，我有一个新的目标，我想减少化学发现中对于这种“机缘巧合”的需求和依赖性。因为自然环境正在给我们所处的世界带来一些真正的挑战，从持续的气候危机到新冠，这些挑战过于巨大，以至于我们无法再依赖“机缘巧合”来自救了。如果我们想在这复杂且强大的自然环境下，取得必要的科学进步，我们需要能够准确地模拟它。
具体来说，如果我们想推动化学领域的发展，需要全方面理解化学反应能量学。而站在我们人类全方位理解面前的主要制约因素是，即使是最强大的计算机，也无法准确预测简单分子的行为。
这就是为什么量子计算将在未来几年取得重大进展的原因。在经典计算机上建立能量反应的模型需要近似值，因为它们无法在一定的系统大小上模拟电子的量子行为。每一个近似值都会降低模型的价值，并增加化学家为验证和指导模型而必须进行的实验室工作量。然而，量子计算现已可以模拟氢化锂等小分子的能量和特性，从而可以建模，为新发现的催生铺平道路。
2.量子化学的遗产
当然，量子化学并不是什么新鲜领域。早在20世纪初，德国化学家Walter Heitler和Fritz London发现可以用量子力学来理解共价键。而在20世纪末，可以为化学家们所利用的算力的增长，意味着是在经典系统上做一些基本的建模是切实可行的。
即使如此，当我在2000年代中期获得波士顿学院的博士学位时，学科和涉及的技能组合是正交的，大部分实验室化学家们并不知道可以通过密度泛函理论（DFT）等计算方法实现化学建模。
他们没有花时间探索DFT等其他方法，而是坚持采用系统的方法，期盼一个解释得通又足够幸运的发现砸向他们。我有幸在Amir Hoveyda教授的研究组工作，而他很早就认识到了将实验研究与理论研究相结合的价值。
3.粗糙数据的不足之处
如今，随着理论学科的不断演进，通过理论研究和化学反应模型的建立，来理解实验结果反倒是一件司空见惯的事情，实验室化学家们也逐渐开始将这些模型融入到他们的工作中。模型的输出为实验室内新发现的进展，提供了一个有用的反馈循环。例如，通过高通量筛选（HTS）技术获得的可用化学数据爆炸性增长，从而得以建立完善的化学模型，而这些模型的工业用途包括药物研发和材料实验。
然而，我们需要简化这些模型。在模拟的各个阶段中，都需要选择一个特定的区域，该区域就是你在精度上做出的妥协，这种妥协是为了将模拟保持在计算机可以实际处理的范围内。用专业术语说这就是“粗粒度”（coarse-grained）模型，通过简化反应的已知元素，以便将实验目标领域的准确度放在首位。每一次简化都会降低模型的整体准确度，且对该发现的实际用途有所限制。说白了，你的数据越粗糙，实验室的工作就越劳民伤财。
而量子方法则截然不同。最佳情况下，量子计算允许你按照自然界的原貌来建模，没有近似值。这里引用美国理论物理学家理查德·费曼（Richard Feynman）的一句名言：“自然不是经典的，***，如果你想模拟自然，那么你最好使用量子力学。”（Nature isn’t classical, dammit, and if you want to make a simulation of nature, you’d better make it quantum mechanical.）
图4｜教书中的理查德·费曼先生（来源：Medium）
近年来，我们见证了量子计算机的快速发展。去年，IBM两次将其量子体积数量翻番，与2016年个位数的量子体积相比，有望突破QV1000。而业内其他公司也对其机器的性能和威力做出了大胆声明。例如近日声称将在2025年结束前，建造出一台超级商用光量子计算机的初创公司PsiQuantum。
到目前为止，我们已经扩展了量子计算机的应用范围，包括模拟与分子基态和激发态相关的能量，使我们能够探索反应能源景观和光敏分子。此外，我们还使用它们来模拟小分子中的偶极矩，这样一来就能更好理解分子的电子分布和极化性，也可以得知它们之间是如何发生反应的。
展望未来，我们已经开始为未来使用量子计算机建立化学系统模型奠定基础，并且一直在探索在今天的量子计算机上如何进行不同类型的计算。例如，当你的系统中出现不成对的电子时，会发生什么？计算的保真度是否会降低？以及我们如何调整算法使其与预期结果相匹配？长此以往，此项工作将使我们有朝一日能够研究自由基物质，一种众所周知的难以在实验室中分析或经典模拟的物质。
可以肯定的是，这些工作都可以在经典计算机上复制。尽管如此，五年前的量子技术是做不到这些的。近年来的进展，让越来越多的人相信在不久的将来，量子计算将成为化学发现的强大催化剂。
4.量子与经典的碰撞
当然，我并没有设想未来化学家们只需将算法插入量子装置，就能得到一组清晰数据，然后即刻开始实验，这显然不现实。现在可行的是，将量子模型作为其中一个步骤，嵌入经典计算机的计算过程中。
在该方法下，我们还是用经典的方法，来处理模型的计算密集型部分。例如酶、聚合物链或金属表面。然后，通过应用量子方法来模拟不同的相互作用。例如酶催化口袋中的化学反应、溶剂分子和聚合物链之间的显式相互作用，或小分子中的氢键。我们仍可以利用模型某些部分的近似值，但在反应最突出的部分可以达到更高的精确度。通过研究将量子电子结构计算嵌入到经典计算环境中的可能性，我们已经取得了一些重要进展。
图5｜酶催化（来源：Scientific American）
采用这种方法的实际应用较多，且影响深远。在聚合物链领域的快速进步，有助于解决塑料污染问题，毕竟我们面临的塑料回收利用的能源成本仍然较高。如果我们能够开发出更易回收利用的塑料，那就可以大幅度减少塑料废料的数量。
除此之外，人类也迫切需要碳排放量更低的材料，还有制造碳足迹更小的喷气燃料和混凝土等物质，这对减少全球碳排放总量来说至关重要。
5.塑造未来
截至目前，来自世界各地的下一代化学家们，展示出的数据流畅度放在2000年代是无法想象的。但这种流畅度的限制条件是物理上的，因为经典计算机就连像咖啡因这样普通的物质都无法处理。
在这种情况下，数据再流畅也无法排除对“机缘巧合”的期盼与需求，重要的进展需要强大的运气支撑。因此，量子计算机的发展与应用，对化学家未来的实践来说，举足轻重。
参考链接：
[1]https://www.scientificamerican.com/article/how-quantum-computing-could-remake-chemistry/
声明：此文出于传递高质量信息之目的，若来源标注错误或侵权，请作者持权属证明与我们联系，我们将及时更正、删除，所有图片的版权归属所引用组织机构，此处仅引用，原创文章转载需授权。