量子计算机通过利用量子力学来更有效地模拟电子相互作用和化学键，从而模拟分子系统用于药物发现。 分子从根本上讲是量子系统，其中电子以叠加和纠缠态存在。 经典计算机难以准确地模拟这些行为，因为所需的计算资源随着电子数量的增加呈指数增长。 然而，量子计算机使用量子比特直接表示分子状态，从而能够以原生方式编码和处理量子信息。 例如，经典地模拟咖啡因（C₈H₁₀N₄O₂）等分子需要近似求解薛定谔方程，这对于较大的分子变得难以处理。 变分量子本征求解器 (VQE) 等量子算法可以更有效地估计分子基态能量，这是预测化学反应性和稳定性的关键步骤。
一种关键方法是将分子哈密顿量（分子能量的数学表示）映射到量子电路。 VQE 算法将量子处理与经典优化相结合：量子电路为分子准备一个试探波函数，测量其能量，然后经典优化器调整参数以最小化该能量。 例如，研究人员已使用 VQE 在当前的量子硬件上模拟氢化锂 (LiH) 等小分子。 虽然这些早期模拟在规模上受到限制，但它们证明了计算电子相关效应的原理，电子相关效应决定了键断裂和反应途径。 另一种方法是量子相位估计 (QPE)，它提供更高的精度，但需要更多的量子比特和纠错，因此对于近期设备来说不太实用。 这些算法避免了经典方法（如密度泛函理论 (DFT)）中固有的近似，这些近似可能会在预测分子性质时引入误差。
然而，仍然存在重大挑战。 目前的量子硬件缺乏大规模模拟所需的量子比特数量和错误率。 量子电路中的噪声限制了能量计算的准确性，并且误差缓解技术仍处于实验阶段。 为了解决这个问题，混合量子-经典工作流程在量子和经典系统之间分配任务。 例如，量子计算机可以处理计算密集型的电子相互作用计算部分，而经典机器可以处理结构数据或优化参数。 像 IBM 和 Rigetti 这样的公司已经探索了用于药物发现任务的此类混合模型，例如模拟蛋白质-配体结合。 虽然完全的量子优势还需要数年时间，但这些早期的努力突显了一条通过比单独使用经典方法更快地识别候选分子来加速药物设计的途径。 开发人员可以试验 Qiskit 或 PennyLane 等开源框架，以便立即实施基本的量子化学模拟。