Quantum computer chưa đủ lớn để mô phỏng cả thuốc: Vì vậy các nhà khoa học chỉ giao cho nó phần khó nhất

Quantum computer thường được quảng bá như cỗ máy có thể một ngày nào đó mô phỏng chemistry chính xác tới mức thay đổi cách con người tìm thuốc.

Vấn đề là chiếc máy đó chưa tồn tại ở quy mô cần thiết.

Một phân tử thuốc thực tế đã có hàng chục tới hàng trăm nguyên tử. Khi nó tương tác với protein, số nguyên tử liên quan có thể tăng lên hàng nghìn hoặc hàng chục nghìn. Muốn mô tả chính xác electron trong toàn bộ hệ bằng phương pháp quantum chemistry cao cấp, lượng tài nguyên tính toán tăng rất nhanh.

Quantum computer hiện nay cũng chưa đủ qubit chất lượng cao, chưa đủ coherence và vẫn chịu noise để đưa toàn bộ một hệ protein–ligand có ý nghĩa dược học lên chip rồi giải bài toán từ đầu đến cuối.

Vì vậy, các nhà nghiên cứu đang thử một chiến lược thực dụng hơn: đừng bắt quantum computer làm mọi thứ. Chỉ giao cho nó phần chemistry mà computer cổ điển gặp khó nhất.

Một demonstration mới của QC Ware và IonQ công bố ngày 1/9/2026 minh họa khá rõ triết lý này.

Nhóm sử dụng nền tảng Promethium của QC Ware để xây và tiền xử lý một mô hình gồm 115 nguyên tử và hơn 1.000 molecular orbital quanh active site của enzyme cytochrome P450nor. Sau đó, phần lớn hệ được xử lý bằng GPU và phương pháp classical quantum chemistry, còn vùng có tương quan electron mạnh nhất được thu nhỏ xuống chỉ 4 orbital, ánh xạ lên 8 qubit của quantum computer IonQ Forte.

Quantum processor đo phần khó. Classical computer ghép kết quả trở lại để tính năng lượng tương tác cuối cùng.

Đây không phải một quantum computer “mô phỏng cả thuốc”. Nó là một dạng quantum coprocessor — giống GPU chuyên xử lý một loại phép toán, nhưng lần này module đặc biệt được dành cho một vùng electronic structure khó.

Tại sao mô phỏng thuốc lại khó đến vậy?

Mọi molecule đều tuân theo cơ học lượng tử.

Electron không đơn giản nằm cố định quanh từng nguyên tử. Trạng thái của chúng phụ thuộc vào orbital, spin, tương tác Coulomb và cách electron tương quan với nhau. Khi hai phân tử tiến gần, toàn bộ phân bố điện tích có thể thay đổi.

Đối với drug discovery, những khác biệt năng lượng rất nhỏ lại có thể quyết định một molecule có đáng phát triển tiếp hay không.

Một ligand cần gắn đủ mạnh vào target nhưng không quá mạnh vào những protein khác. Nó cần có geometry phù hợp, charge distribution phù hợp và tránh những tương tác gây độc hoặc làm molecule bị chuyển hóa quá nhanh.

Classical computational chemistry đã có nhiều công cụ cực kỳ mạnh để giải những bài toán này.

Molecular dynamics và force field có thể mô phỏng hệ rất lớn trong thời gian dài nhưng phải dùng approximation. Density functional theory mô tả electron chi tiết hơn nhưng trở nên đắt khi system tăng kích thước. Những phương pháp wave-function có độ chính xác cao hơn nữa như coupled cluster lại scale nhanh đến mức chỉ khả thi cho những hệ nhỏ hơn.

Do đó drug simulation luôn là một bài toán trade-off giữa size, accuracy và runtime.

Không phải mọi electron trong protein đều khó như nhau

Đây là insight giúp hybrid quantum–classical workflow trở nên hợp lý.

Một protein có thể chứa hàng nghìn nguyên tử, nhưng không phải mọi vùng đều cần cùng mức độ chính xác.

Nhiều bond nằm xa active site có thể được mô tả tương đối tốt bằng approximation cổ điển. Những residue ít tham gia trực tiếp vào phản ứng có thể đóng vai trò chủ yếu là tạo môi trường electrostatic và hình học.

Trong khi đó, chỉ một cụm nguyên tử rất nhỏ tại active site có thể chứa chemistry khó nhất.

Ví dụ điển hình là các enzyme chứa kim loại chuyển tiếp như iron. Electron d của kim loại có thể tồn tại trong nhiều trạng thái năng lượng gần nhau, tương tác spin phức tạp và tạo ra strong electron correlation.

Đây là loại bài toán mà một phương pháp mean-field đơn giản có thể trở nên thiếu chính xác.

Thay vì dùng phương pháp đắt nhất cho toàn bộ protein, chemist từ lâu đã dùng các kỹ thuật như QM/MM: một vùng nhỏ được xử lý bằng quantum mechanics, môi trường xung quanh dùng molecular mechanics.

Quantum computer hiện nay đang được đưa vào đúng tinh thần đó.

115 nguyên tử được rút xuống còn 8 qubit như thế nào?

Trong demonstration của QC Ware, hệ mục tiêu là heme active site của cytochrome P450nor, một nitric oxide reductase thuộc họ cytochrome P450.

P450 là một họ enzyme đặc biệt quan trọng trong pharmacology. Các monooxygenase thuộc họ này tham gia chuyển hóa phần lớn loại thuốc mà cơ thể con người xử lý.

Khả năng dự đoán chính xác interaction quanh trung tâm heme chứa iron vì thế có ý nghĩa với việc hiểu binding và metabolic behavior của drug candidate.

Promethium trước tiên xây mô hình 115 nguyên tử chứa hơn 1.000 molecular orbital.

Nhưng toàn bộ số orbital đó không được đưa lên quantum computer.

Classical preprocessing tìm một active space: tập hợp orbital nhỏ nhất được cho là chứa phần electron correlation quan trọng nhất đối với đại lượng cần tính.

Trong trường hợp này, active space chỉ gồm 4 orbital.

Khi ánh xạ occupation của electron sang qubit, bài toán thu được sử dụng 8 qubit.

Nói cách khác, hệ hóa học thật rất lớn được “nén về mặt vật lý” thành một subsystem nhỏ nơi quantum effects khó nhất được giữ lại.

Quantum computer không giải toàn bộ bài toán — nó đo một mảnh cần thiết

IonQ Forte được sử dụng để thực hiện các quantum measurement trên active-space model.

Những kết quả đo đó sau đó quay về Promethium để classical computer hoàn thiện phép tính energy.

Đây là hybrid workflow đúng nghĩa:

classical computer chuẩn bị hệ → quantum computer xử lý correlated active space → classical computer hậu xử lý và tính kết quả cuối.

Điều quan trọng là quantum processor không cần tạo ra toàn bộ ground-state energy của hệ 115 nguyên tử.

Nó chỉ cần cung cấp thông tin electronic structure đủ để cải thiện một đại lượng cụ thể — ở đây là electrostatic interaction energy.

Chiến lược “tính observable cần thiết thay vì giải mọi thứ” có thể giảm tài nguyên quantum rất mạnh.

0,5 kcal/mol nghe nhỏ, nhưng trong drug discovery nó có thể là khác biệt lớn

Theo QC Ware, kết quả hybrid nằm trong khoảng 0,5 kcal/mol, tương đương khoảng 4%, so với classical benchmark mà công ty sử dụng.

Ngưỡng khoảng 1 kcal/mol thường được sử dụng như một chuẩn thực dụng cho “chemical accuracy” trong nhiều bài toán năng lượng hóa học.

Lý do một sai số nhỏ như vậy quan trọng là drug ranking thường phụ thuộc vào những chênh lệch năng lượng không lớn.

Nếu hai candidate chỉ khác nhau vài kcal/mol về interaction energy, một phương pháp có error quá lớn có thể xếp sai thứ tự.

Điều đó khiến team chemistry mất hàng tuần hoặc hàng tháng tổng hợp và thử một molecule kém hơn.

QC Ware nói demonstration đạt độ chính xác cao hơn hơn hai lần so với standard classical mean-field method dùng để so sánh trong workflow của họ.

Tuy nhiên, con số này cần được đọc thận trọng.

Đây chưa phải quantum advantage

Thông báo ngày 1/9/2026 là một technology demonstration, không phải bằng chứng rằng quantum computer đã đánh bại classical supercomputer trên một bài toán mà classical machine không thể giải.

QC Ware và IonQ không tuyên bố quantum advantage.

Active space 4 orbital cũng đủ nhỏ để có thể benchmark bằng phương pháp cổ điển.

Quan trọng hơn, tại thời điểm công bố, demonstration cụ thể trên IonQ Forte chưa đi kèm một bài báo peer-reviewed riêng trình bày đầy đủ basis set, circuit depth, error mitigation, classical reference và các chi tiết khác cần thiết để cộng đồng tái lập độc lập kết quả.

Vì vậy giá trị của demo hiện tại nằm ở workflow architecture, không phải ở tuyên bố supremacy.

Nó chứng minh rằng một pipeline chemistry thương mại có thể tách subsystem, gửi phần đó qua cloud tới một quantum processor thật, nhận measurement rồi đưa kết quả trở lại phép tính classical.

Đây là khác biệt giữa một algorithm chạy trên toy molecule và một bước quantum được gắn vào software stack gần với workflow của computational chemistry.

Ý tưởng này đã có nền tảng peer-reviewed từ năm 2024

Demo 2026 không xuất hiện từ con số 0.

Năm 2024, các nhà nghiên cứu từ QC Ware, Alpine Quantum Technologies và Boehringer Ingelheim đã công bố trên ACS Central Science một nghiên cứu về việc tính electrostatic interaction energy bằng trapped-ion quantum computer.

Hệ benchmark cũng liên quan tới nitric oxide reductase thuộc cytochrome P450 superfamily.

Nghiên cứu đó sử dụng quantum processor để tạo approximate ground state trong active space và đo density matrix cần thiết. Classical computer sau đó tính interaction energy.

Các tác giả đã nhấn mạnh ngay từ paper 2024 rằng hardware thời điểm đó buộc họ phải đơn giản hóa mạnh hệ thống: hơn 1.000 orbital được xử lý classically trong khi chỉ 4 orbital được đưa lên 8 qubit.

Paper cũng đưa ra một insight quan trọng: nếu mục tiêu cuối cùng chỉ là một observable như interaction energy, có thể không cần tài nguyên quantum khổng lồ như khi cố tính toàn bộ ground-state energy của supermolecule.

Demo IonQ năm 2026 có thể xem là một bước tiếp theo của cùng triết lý trên một commercial quantum cloud stack khác.

Vì sao active site là “phần khó nhất” đáng giao cho quantum computer?

Không phải active site nào cũng cần quantum computer.

Nhiều protein–ligand interaction có thể được mô tả đủ tốt bằng DFT, semiempirical method hoặc force field hiện đại.

Những vùng hấp dẫn nhất cho quantum hardware là nơi electron correlation trở thành bottleneck.

Ví dụ gồm metal center, bond đang hình thành hoặc bị bẻ gãy, proton transfer, excited state hoặc nhiều configuration điện tử cạnh tranh gần như ngang năng lượng.

Ở những trường hợp này, single-reference hoặc mean-field approximation có thể gặp khó.

Quantum computer về nguyên lý biểu diễn quantum state theo cách tự nhiên hơn: amplitudes của nhiều configuration có thể cùng tồn tại trong trạng thái qubit.

Đó là lý do chemistry thường được coi là một trong những application hứa hẹn nhất của fault-tolerant quantum computing.

Nhưng thay vì chờ hàng nghìn logical qubit, hybrid workflow cố khai thác lợi thế tiềm năng đó trên một subsystem nhỏ ngay từ bây giờ.

Đây giống cách CPU dùng GPU hơn là “quantum thay thế supercomputer”

Cách dễ hình dung nhất về tương lai gần có thể không phải một quantum computer khổng lồ thay tất cả HPC.

Nó giống một datacenter có nhiều loại accelerator.

CPU xử lý orchestration. GPU chạy molecular dynamics, tensor operations và classical quantum chemistry. Quantum processing unit chỉ nhận những subproblem phù hợp nhất với architecture của nó.

IBM gọi hướng này là quantum-centric supercomputing.

Tháng 5/2026, Cleveland Clinic, RIKEN và IBM công bố một workflow hybrid mô hình hóa protein complex tới 12.635 nguyên tử bằng supercomputer kết hợp quantum hardware.

Điểm đáng chú ý của những dự án này không phải toàn bộ 12.635 nguyên tử cùng “nằm trong qubit”.

Chúng dựa vào decomposition: hệ lớn được chia thành fragment hoặc layer, classical machine gánh phần lớn công việc và QPU chỉ tham gia ở những điểm được lựa chọn.

Đó có thể là hình dạng thực tế nhất của quantum chemistry trong nhiều năm tới.

Tại sao không cứ chờ quantum computer lớn hơn?

Fault-tolerant quantum computer đủ lớn để mô phỏng electronic structure phức tạp có thể còn cần nhiều năm phát triển.

Nếu pharmaceutical industry chờ tới lúc đó mới bắt đầu tích hợp quantum computing, phần còn thiếu không chỉ là hardware.

Software stack cũng cần trưởng thành.

Researchers cần biết cách chọn active space, phân bố công việc giữa CPU/GPU/QPU, kiểm soát noise, đo observable hiệu quả và quyết định khi nào quantum calculation thực sự đáng chi phí.

Những hybrid demonstration hiện nay là cách luyện toàn bộ pipeline trước khi QPU đủ mạnh.

Nó cũng giúp trả lời một câu hỏi quan trọng: phần nào của drug-discovery workflow thực sự cần quantum advantage?

Nếu classical algorithm đã đủ tốt ở 95% pipeline, việc thay thế 95% đó có thể không đem lại giá trị.

Chỉ cần quantum processor tạo ra improvement đáng kể ở 5% quyết định đắt nhất cũng có thể hữu ích.

Drug discovery không cần mô phỏng mọi electron trong mọi bước

Một pharmaceutical pipeline gồm rất nhiều tầng.

Hàng triệu molecule có thể được lọc ban đầu bằng AI hoặc docking tương đối rẻ. Hàng nghìn candidate được đánh giá kỹ hơn. Chỉ vài chục hoặc vài trăm molecule tốt nhất mới cần calculation đắt.

Ngay trong một calculation đắt, không phải mọi conformation đều quan trọng như nhau.

Do đó strategy hợp lý là tạo một funnel.

Classical method nhanh xử lý volume lớn.

Method chính xác hơn xử lý shortlist.

Quantum module chỉ được gọi khi hệ chứa electronic structure mà phương pháp cổ điển khó mô tả đáng tin cậy.

Quantum computing vì thế có thể đi vào pharma không phải như một replacement machine, mà như tầng precision cuối cùng.

Điều này đặc biệt quan trọng với drug metabolism

Cytochrome P450 là một trong những hệ enzyme quan trọng nhất trong pharmacokinetics.

Một candidate có thể hoạt động rất tốt với therapeutic target nhưng thất bại vì bị P450 chuyển hóa quá nhanh, tạo metabolite không mong muốn hoặc tương tác với các thuốc khác.

Do đó dự đoán interaction ở active site của P450 có giá trị từ rất sớm.

Metal-centered chemistry quanh heme iron đồng thời là loại electronic structure tương đối khó với một số approximation.

Đây là lý do hệ P450 trở thành testbed tự nhiên cho quantum chemistry.

Tuy nhiên P450nor dùng trong demonstration là nitric oxide reductase, không phải chính enzyme human drug-metabolism được đưa vào một chương trình phát triển thuốc cụ thể.

Nó thuộc cùng superfamily và cung cấp một môi trường active-site có nhiều đặc điểm điện tử liên quan, nhưng không nên diễn giải demo như việc IonQ vừa dự đoán metabolism của một thuốc mới.

Từ chemical accuracy tới thuốc thật còn nhiều lớp kiểm chứng

Ngay cả một energy calculation hoàn hảo cũng không tự tạo ra drug.

Binding affinity phụ thuộc vào nhiều thành phần: solvation, entropy, conformational flexibility, protonation state và dynamics của protein.

Drug candidate còn phải vượt qua absorption, distribution, metabolism, excretion, toxicity và khả năng tổng hợp.

Một quantum calculation có thể cải thiện một mảnh của physical model, nhưng toàn bộ prediction pipeline vẫn có nhiều nguồn error khác.

Vì vậy 0,5 kcal/mol ở một observable không có nghĩa candidate ranking cuối cùng sẽ tự động chính xác tới 0,5 kcal/mol.

Giá trị thực tế phải được chứng minh qua benchmark trên nhiều complex, so sánh với phương pháp classical tốt nhất và cuối cùng là validation với experiment.

Quantum hardware cũng không phải phần đắt duy nhất

Một lesson khác từ hybrid workflow là QPU chỉ là một mắt xích.

Muốn quantum chemistry hữu ích, classical preprocessing phải đủ tốt để chọn đúng subsystem.

Nếu active space bỏ sót orbital quan trọng, quantum processor có thể tính cực kỳ chính xác một model sai.

Nếu embedding giữa subsystem và environment không tốt, error từ boundary có thể lớn hơn improvement do quantum hardware mang lại.

Đây là lý do expertise về chemistry vẫn đóng vai trò trung tâm.

Quantum computer không loại bỏ nhu cầu hiểu molecule. Nó khiến câu hỏi “phần nào của molecule cần mô tả chính xác nhất?” trở nên quan trọng hơn.

Hybrid có thể là con đường tồn tại lâu dài, không chỉ giải pháp tạm thời

Thường có giả định rằng hybrid quantum–classical chỉ là cầu nối tới ngày quantum computer đủ lớn để làm mọi thứ.

Điều đó chưa chắc đúng.

Ngay cả khi fault-tolerant hardware trở nên mạnh hơn, classical computer vẫn cực kỳ hiệu quả với nhiều loại calculation.

Không có lý do kinh tế để đưa một subproblem dễ lên QPU chỉ vì có thể.

Tương tự, GPU không khiến CPU biến mất. Accelerator tồn tại vì mỗi architecture được giao loại workload phù hợp.

Quantum chemistry tương lai có thể cũng vậy: classical HPC xử lý scale, còn quantum hardware cung cấp high-fidelity treatment cho những subsystem đặc biệt khó.

Câu hỏi lớn nhất hiện tại: quantum module có thắng classical baseline tốt nhất không?

Để công nghệ tiến từ demo sang utility, benchmark phải ngày càng nghiêm ngặt.

Không đủ chỉ cho thấy kết quả quantum gần một classical reference.

Researchers cần so với những classical method tốt nhất có cùng budget, bao gồm advanced DFT, coupled cluster, tensor-network và embedding method.

Cần công bố runtime, shot count, error mitigation cost, classical preprocessing cost và độ ổn định qua nhiều lần chạy.

Cũng cần chứng minh improvement còn tồn tại khi active space tăng từ 4 orbital lên hàng chục hoặc hàng trăm orbital — nơi classical exact solution bắt đầu thực sự khó.

Đó mới là vùng quantum advantage trong chemistry trở thành câu hỏi khoa học nghiêm túc thay vì marketing.

Nhưng demonstration này cho thấy một cách dùng quantum computer thực tế hơn

Trong nhiều năm, câu chuyện quantum drug discovery thường được kể bằng hình ảnh rất lớn: một ngày nào đó máy lượng tử sẽ mô phỏng hoàn hảo protein và molecule, sau đó tìm ra thuốc mới chỉ bằng computation.

Thực tế gần hạn có thể nhỏ hơn nhiều — nhưng cũng khả thi hơn.

Một pharmaceutical workflow không cần quantum computer hiểu toàn bộ biology.

Nó chỉ cần biết khi nào classical method đang gặp một electronic-structure problem đặc biệt khó, tách đúng phần đó ra và gửi tới QPU.

QC Ware và IonQ vừa trình diễn chính mô hình phân công đó trên 8 qubit.

Phần lớn hệ 115 nguyên tử vẫn thuộc về classical computer.

Quantum processor chỉ nhận 4 orbital.

Nhưng 4 orbital đó được chọn vì chúng chứa phần correlation quan trọng nhất.

Đây là một sự thay đổi cách nghĩ đáng chú ý.

Quantum computer không cần đủ lớn để nuốt cả phân tử ngay hôm nay.

Nó chỉ cần đủ tốt để giải một phần mà phần cứng hiện tại khác không muốn giải — rồi trả lời lại cho hệ thống lớn hơn.

Nếu cách tiếp cận này scale được, bước đầu tiên của quantum computing trong drug discovery có thể không phải một “quantum pharmaceutical computer” khổng lồ.

Nó có thể chỉ là một coprocessor rất nhỏ, được gọi đúng lúc cho câu hỏi khó nhất.

Nguồn tham khảo

• QC Ware, 1/9/2026: QC Ware and IonQ Demonstrate High-Precision Hybrid Quantum Workflow for Drug Discovery
• ACS Central Science (2024): Estimation of Electrostatic Interaction Energies on a Trapped-Ion Quantum Computer
• IBM Quantum (2026): Researchers use quantum-centric supercomputing to simulate 12,635-atom protein complex
• Briefings in Bioinformatics (2026): Quantum computing applications in drug discovery