Machine-Learned Compact Subspace Generation for Quantum Selected Configuration Interaction within Density Matrix Embedding Framework
Dieses Papier stellt ein durch maschinelles Lernen erweitertes Protokoll, QSCI-RBM, vor, das mit der Density Matrix Embedding Theory integriert ist, um mittels Restricted Boltzmann Machines kompakte, hochwahrscheinliche Konfigurations-Subräume zu generieren, wobei erfolgreich chemische Genauigkeit bei der Simulation der SARS-CoV-2-Hauptprotease mit signifikant reduzierten Subraum-Anforderungen im Vergleich zu Standardmethoden erreicht wird.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, ein riesiges, unmögliches Puzzle zu lösen. Dies ist nicht irgendein Puzzle; es ist das Puzzle darüber, wie Atome und Elektronen gemeinsam tanzen, um Moleküle zu bilden – vom Wasser, das Sie trinken, bis hin zu den Medikamenten, die Krankheiten heilen. Jahrzehntelang haben Wissenschaftler versucht, dies zu lösen, indem sie sich jedes einzelne Teil ansahen, aber die Anzahl der Teile wächst so schnell, dass selbst die leistungsstärksten Supercomputer der Welt stecken bleiben und nicht in der Lage sind, das fertige Bild für etwas Größeres als einen winzigen Punkt zu erstellen.
Um dieses Problem zu umgehen, haben Wissenschaftler angefangen, eine neue Art von Helfer einzusetzen: Quantencomputer. Stellen Sie sich einen Quantencomputer nicht als einen schnelleren Taschenrechner vor, sondern als einen magischen, chaotischen Würfelwerfer. Anstatt jede einzelne Möglichkeit nacheinander zu berechnen, lässt er die Würfel Millionen von Malen rollen, um zu sehen, welche Muster von Atomen am häufigsten auftreten. Dies wird als „Sampling“ bezeichnet. Es gibt jedoch einen Haken. Manchmal sind die Würfel etwas verrauscht oder die Muster, die es findet, sind zu unordentlich, um nützlich zu sein. Es ist, als würde man versuchen, eine bestimmte Nadel in einem Heuhaufen zu finden, aber der Heuhaufen wird jedes Mal größer, wenn man sucht, und man endet damit, zu viel Müll durchzusieben, um das Gute zu finden. Die große Frage für die Wissenschaftler war: Wie nutzen wir diese verrauschten Quantenwürfel, um die richtigen Nadeln zu finden, ohne im Heu begraben zu werden?
Hier setzt eine neue Studie mit einem cleveren Trick an. Die Forscher, die mit einem Team bei Qclairvoyance Quantum Labs und anderen zusammenarbeiteten, entwickelten eine Methode namens DMET-QSCI-RBM. Es klingt zwar kompliziert, aber denken Sie daran als die Ausbildung eines klugen Roboters zu einem besseren Detektiv. Sie kombinierten einen Quantencomputer (den Würfelwerfer) mit einem maschinellen Lernmodell namens Restricted Boltzmann Machine (dem Detektiv). Anstatt den Quantencomputer einfach nur zufällige Muster ausspucken zu lassen und auf das Beste zu hoffen, trainierten sie den Roboter darauf, zu lernen, welche Muster am wichtigsten sind.
Hier ist das, was sie herausfanden: Als sie diesen neuen „klugen Detektiv“ an einem winzigen, einfachen Molekül testeten, funktionierte er wunderbar und fand die Antwort unter Verwendung nur eines winzigen Bruchteils der möglichen Teile. Aber die wahre Magie geschah, als sie ihn auf ein komplexes biologisches System anwandten: ein Protein des SARS-CoV-2-Virus (dasjenige, das COVID-19 verursacht), das an einen Wirkstoff namens Carmofur gebunden ist. Dies ist ein riesiges, kompliziertes System, das normalerweise Computer überfordert.
Das Team zerlegte diesen riesigen Protein-Wirkstoff-Komplex in 11 kleinere Stücke und löste jedes einzelne. Sie verglichen ihre neue „kluge Detektiv“-Methode mit der alten Art des Vorgehens. Die alte Art hatte selbst dann Schwierigkeiten, die Antwort perfekt richtig zu finden, wenn sie es erlaubte, fast das gesamte Puzzle (etwa 97 % der Teile) zu betrachten. Im Gegensatz dazu fand die neue DMET-QSCI-RBM-Methode die richtige Antwort, während sie nur etwa 3,9 % der möglichen Teile betrachtete.
Die Studie legt nahe, dass wir durch den Einsatz von maschinellem Lernen zur Steuerung des Quantencomputers nicht den ganzen Heuhaufen durchsieben müssen. Wir können den Computer lehren, den Müll zu ignorieren und sich nur auf die Nadeln zu konzentrieren, die zählen. Das bedeutet, dass wir komplexe biologische Systeme, wie etwa die Interaktion von Medikamenten mit Viren, viel schneller und mit weniger Rechenleistung simulieren können als zuvor. Dies ist ein vielversprechender Schritt in Richtung des Designs neuer Medikamente mittels Quantencomputern und beweist, dass es manchmal tatsächlich der Schlüssel zum Mehrsehen ist, weniger zu betrachten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.