🔬 applied physics

The First Hardware Demonstration of a Universal Programmable RRAM-based Probabilistic Computer for Molecular Docking

Cet article présente la première démonstration matérielle d'un ordinateur probabiliste universel programmable basé sur la RRAM qui résout avec succès des problèmes complexes d'amarrage moléculaire, tels que l'interaction lipoprotéine-LolA-LolCDE, en exploitant la technologie CMOS 180 nm et la RRAM HfO2 pour surmonter les limites de scalabilité et d'efficacité des méthodes de calcul conventionnelles et quantiques dans la découverte de médicaments.

Auteurs originaux : Yihan He, Ming-Chun Hong, Qiming Ding, Chih-Sheng Lin, Chih-Ming Lai, Chao Fang, Xiao Gong, Tuo-Hung Hou, Gengchiau Liang

Publié 2026-07-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yihan He, Ming-Chun Hong, Qiming Ding, Chih-Sheng Lin, Chih-Ming Lai, Chao Fang, Xiao Gong, Tuo-Hung Hou, Gengchiau Liang

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Un nouveau type de « machine à deviner » pour la conception de médicaments

Imaginez que vous essayiez de trouver la clé parfaite pour ouvrir une porte très complexe et verrouillée. Cette porte représente une protéine responsable d'une maladie dans votre corps, et la clé est une molécule de médicament. Le problème est que la clé peut pivoter, tourner et se tordre de millions de manières différentes avant de s'insérer parfaitement. Les ordinateurs traditionnels tentent de vérifier chaque possibilité une par une, ce qui prend un temps infini. Les ordinateurs quantiques (la technologie du futur « super rapide ») promettent de toutes les vérifier en même temps, mais ils sont actuellement énormes, coûteux et très capricieux.

Ce document présente un nouveau type d'ordinateur appelé ordinateur probabiliste (ou « p-ordinateur »). Ne le voyez pas comme une calculatrice rigide, mais plutôt comme un joueur chanceux et intelligent. Au lieu de vérifier chaque porte, il fait des suppositions éclairées, apprend de ses erreurs et réduit rapidement la recherche pour trouver la meilleure adaptation.

Les chercheurs ont construit une puce physique (un minuscule cerveau informatique) qui réalise ce jeu de devinettes en utilisant un type spécial de mémoire appelé RRAM. Ils ont réussi à utiliser cette puce pour résoudre un problème réel de conception de médicaments pour la première fois.

Comment fonctionne le « joueur intelligent » : Le lancer de pièce artificiel

Au cœur de cet ordinateur se trouve un composant minuscule appelé p-bit (bit probabiliste).

L'ancienne méthode : Dans les ordinateurs normaux, un bit est comme un interrupateur : il est soit ALLUMÉ (1), soit ÉTEINT (0). Il ne change jamais à moins qu'on ne lui dise de le faire.
La nouvelle méthode : Un p-bit est comme une pièce de monnaie qui tourne. Elle n'est pas seulement sur Pile ou sur Face ; elle oscille entre les deux.
- Si la pièce est fortement pondérée pour tomber sur « Face », elle sera presque toujours ALLUMÉE.
- Si elle est pondérée vers « Pile », elle sera presque toujours ÉTEINTE.
- Si elle est parfaitement équilibrée, elle bascule de manière aléatoire.

Les chercheurs ont créé une « pièce artificielle » spéciale en combinant des puces informatiques standards et un nouveau matériau de mémoire (HfO₂ RRAM). Le plus intéressant est qu'ils peuvent régler le poids de cette pièce. Ils peuvent la faire tourner follement (aléatoire élevé) pour explorer de nouvelles idées, ou la faire se stabiliser (aléatoire faible) pour verrouiller une bonne réponse.

La stratégie : La danse de l'« annealing » (recuit)

Pour trouver la meilleure adaptation d'un médicament, l'ordinateur utilise une stratégie appelée Dynamic Slope Annealing (DSA) (recuit par pente dynamique). Imaginez que vous essayiez de trouver la vallée la plus profonde dans une chaîne de montagnes embrumée (la meilleure solution).

Le secouage (Aléatoire élevé) : Au début, l'ordinateur secoue violemment le système. C'est comme lancer une balle en l'air et la laisser rebondir partout. Cela aide la balle à sauter par-dessus les petites collines et à éviter de rester coincée dans des flaques peu profondes (erreurs locales).
Le calme (Aléatoire faible) : Lentement, l'ordinateur arrête de secouer. La balle commence à rouler le long des pentes. Parce qu'elle a beaucoup exploré plus tôt, elle est susceptible de rouler vers la vallée la plus profonde et la plus parfaite (l'optimum global) plutôt que de rester coincée dans un petit creux.

Le document montre qu'en contrôlant parfaitement ce « secouage », leur puce a trouvé la meilleure solution 72 % du temps, ce qui est un immense succès pour ce type de problème.

Le test en conditions réelles : Le puzzle de la lipoprotéine

Les chercheurs ne se sont pas contentés de jouer avec des mathématiques ; ils ont testé cela sur un puzzle biologique réel.

Le problème : Ils voulaient voir comment une « lipoprotéine » spécifique (une molécule de graisse) s'insère dans une protéine « chaperonne » (LolA-LolCDE) chez les bactéries. C'est une étape clé de la façon dont les bactéries construisent leurs parois cellulaires. Si vous pouvez stopper cela, vous pouvez tuer les bactéries.
La traduction : Ils ont transformé ce puzzle 3D en un problème de théorie des graphes (connexion de points). Ils avaient 42 points de connexion possibles (points) et devaient trouver le groupe spécifique de points qui s'assemblent parfaitement sans entrer en collision.
Le résultat : Leur puce p-ordinateur a réussi à identifier le bon groupe de connexions. Lorsqu'ils ont examiné la forme 3D que l'ordinateur a prédite, elle correspondait à ce que les scientifiques savaient déjà être la forme correcte.

Pourquoi cela est important (selon le document)

Le document souligne trois avantages principaux de leur nouvelle puce par rapport aux autres méthodes :

Pas de « nettoyage » nécessaire : D'autres méthodes, comme certaines approches quantiques, vous donnent souvent une réponse désordonnée qui nécessite un second ordinateur pour « nettoyer » et corriger. Ce p-ordinateur a donné une réponse propre et correcte directement via le matériel.
Petit et pratique : Alors que certaines installations quantiques occupent toute une salle de laboratoire, cette puce est minuscule. Elle tient sur un petit circuit imprimé de la taille d'un timbre-poste (6,5 x 4 mm).
Température ambiante : Contrairement aux ordinateurs quantiques qui doivent être congelés à une température proche du zéro absolu, cette puce fonctionne à température ambiante normale.

Résumé

En bref, les chercheurs ont construit une puce informatique minuscule, fonctionnant à température ambiante, qui agit comme un lanceur de pièces de monnaie intelligent et réglable. Ils lui ont appris à résoudre un puzzle 3D complexe sur la façon dont les bactéries transportent les molécules. En secouant la pièce follement au début, puis en la calmant, la puce a trouvé la solution parfaite 72 % du temps, prouvant que ce nouveau matériel « probabiliste » est un outil puissant pour la découverte de médicaments.

Résumé Technique : Première démonstration matérielle d'un ordinateur probabiliste universel programmable à base de RRAM pour l'amarrage moléculaire

Énoncé du problème
L'amarrage moléculaire (molecular docking) est un défi fondamental dans la découverte de médicaments, nécessant la prédiction de la conformation de liaison préférée entre un ligand et une protéine cible. L'immense espace de recherche créé par la diversité structurelle des biomolécules et les modes de liaison flexibles submerge les méthodes de calcul conventionnelles. Bien que les approches de l'informatique quantique, telles que l'échantillonnage de bosons gaussiens (GBS) et l'algorithme d'optimisation approximative quantique (QAOA), aient montré des promesses, elles se heurtent à des obstacles importants en matière d'application pratique, notamment des contraintes de scalabilité, des limitations matérielles, des problèmes de précision et le besoin fréquent d'algorithmes de post-traitement complexes pour corriger les sorties non-cliques. De plus, le matériel de calcul probabiliste (p-computing) existant repose souvent sur des architectures hybrides (CMOS + X) qui séparent la génération de dispositifs stochastiques du traitement déterministe, réintroduisant le goulot d'étranglement de la mémoire von Neumann et limitant l'efficacité.

Méthodologie
Les auteurs proposent et démontrent un prototype d'ordinateur probabiliste (p-computer) qui intègre des schémas de calcul en mémoire (CIM) avec des bits probabilistes (p-bits) artificiels et accordables.

Architecture Matérielle : Le système est construit sur une architecture de réseau de Hopfield discret (DHNN). Le cœur du matériel consiste en une matrice 1T1R (un transistor, une résistance) intégrant une mémoire à accès aléatoire résistive (RRAM) à base de HfO₂ en fin de ligne (BEOL) avec une technologie CMOS de 180 nm. Contrairement aux approches précédentes qui reposent sur la stochasticité intrinsèque des dispositifs (qui est fixée après la fabrication), cette conception utilise un p-bit artificiel « in-situ ». Ce p-bit combine une cellule RRAM avec un générateur de nombres aléatoires (RNG) gaussien et un comparateur. La matrice RRAM effectue des opérations de multiplication-accumulation (MAC), tandis que le RNG gaussien fournit un seuil dynamique pour moduler la stochasticité de la sortie du p-bit.
Algorithme et Cartographie du Problème : Le problème de l'amarrage moléculaire est reformulé comme un problème de clique maximale pondérée (MWCP) sur un graphe.
1. Construction du Graphe : Des points pharmacophores (PP) sur le ligand et le récepteur sont extraits. Les paires de liaison potentielles forment des sommets dans un graphe. Les vérifications de compatibilité spatiale (basées sur les distances euclidiennes) déterminent les arêtes, créant un graple d'interaction de liaison (BIG).
2. Formulation QUBO : Le MWCP est transformé en un problème d'optimisation binaire quadratique non contrainte (QUBO), qui est ensuite mappé vers une fonction de minimisation d'énergie adaptée au DHNN. La fonction d'énergie comprend un terme pour maximiser les poids des sommets (affinité de liaison) et un terme de pénalité pour imposer les contraintes de clique (compatibilité spatiale).
3. Recuit par Pente Dynamique (DSA) : Pour surmonter le problème des minima locaux, les auteurs introduisent un mécanisme de DSA. Au lieu d'une stochasticité fixe, l'écart-type ( $\sigma$ ) du RNG gaussien est ajusté dynamiquement pendant l'itération. Le système commence avec une stochasticité élevée pour explorer largement l'espace de solution et réduit progressivement $\sigma$ vers zéro pour converger vers l'optimum global.

Contributions Clés

p-Bits Accordables In-Situ : L'article introduit une conception de p-bit qui découple la stochasticité des caractéristiques intrinsèques du dispositif. En utilisant un RNG gaussien pour contrôler la distribution du courant de biais dans la matrice RRAM, le système atteint des caractéristiques d'entrée-sortie sigmoïdales accordables sans dépendre de l'aléa fixe du dispositif physique. Cela abaisse les barrières techniques pour l'implémentation matérielle.
Première Démonstration Matérielle en Biologie Computationnelle : Ce travail représente la première application réussie du matériel de p-computing à un problème d'amarrage moléculaire.
Prototype CIM Intégré : Les auteurs ont fabriqué un prototype fonctionnel intégrant la RRAM HfO₂ avec un CMOS de 180 nm, démontrant une solution compacte et économe en énergie qui évite le goulot d'étranglement de von Neumann.
Algorithme DSA : Le développement de la stratégie DSA spécifiquement adaptée à ce matériel pour équilibrer l'exploration globale et la convergence locale.

Résultats Expérimentaux
Le système a été validé en résolvant un problème d'amarrage moléculaire à 42 nœuds impliquant une lipoprotéine et le complexe LolA-LolCDE, une cible critique pour le développement d'antibiotiques contre les bactéries Gram-négatives.

Réglage de la Stochasticité : Les expériences faisant varier l'écart-type ( $\sigma$ ) du RNG gaussien ont montré qu'un $\sigma$ fixe de 0,5 offrait la meilleure performance parmi les réglages constants, identifiant la solution optimale (Clique Maximale Pondérée) dans 35 % des 100 essais. Des valeurs de $\sigma$ plus faibles menaient à un piégeage dans des minima locaux, tandis que des valeurs plus élevées provoquaient un bruit excessif.
Performance du DSA : L'application de la stratégie DSA (réduction dynamique de $\sigma$ de 0,5 à 0) a considérablement amélioré les performances. Le système a réussi à identifier l'état fondamental théorique (la conformation de liaison optimale avec un poids cumulé de 0,8702) dans 72 % des 100 essais.
Validation : La configuration d'amarrage prédite, composée de quatre interactions hydrophobes et d'une liaison hydrogène, s'alignait étroitement avec les résultats de l'outil Protein-Ligand Interaction Profiler.
Comparaison : Contrairement aux solveurs basés sur le GBS et d'autres approches quantiques, le p-computer a fourni une solution en une seule étape sans nécessiter d'algorithmes de post-traitement pour imposer les propriétés de clique. Le système fonctionnait sur un PCB compact avec une puce intégrée de 6,5 × 4 mm², contrastant avec l'empreinte de laboratoire imposante des systèmes quantiques photoniques.

Signification et Revendications
Les auteurs affirment que ce travail marque une percée dans l'application du p-computing à la biologie computationnelle. L'étude démontre que les ordinateurs p-computing à base de RRAM peuvent résoudre efficacement des problèmes d'optimisation combinatoire complexes inhérents à la conception de médicaments, surpassant les approches quantiques actuelles en termes de scalabilité, d'empreinte matérielle et d'élimination des besoins de post-traitement. En résolvant avec succès un MWCP à 42 nœuds avec un taux de réussite de 72 %, ce travail valide la faisabilité de l'utilisation de p-bits artificiels accordables pour des défis réels de bioinformatique. Les auteurs positionnent cette technologie comme une approche transformative pour la découverte de médicaments, offrant une alternative évolutive et économe en énergie tant aux méthodes de calcul conventionnelles qu'aux limitations actuelles du matériel quantique.