Machine-Learned Compact Subspace Generation for Quantum Selected Configuration Interaction within Density Matrix Embedding Framework
Questo articolo introduce un protocollo potenziato dall'apprendimento automatico, QSCI-RBM, integrato con la Density Matrix Embedding Theory per generare sottospazi di configurazione compatti e ad alta probabilità utilizzando le Restricted Boltzmann Machines, ottenendo con successo l'accuratezza chimica nella simulazione della proteasi principale del SARS-CoV-2 con requisiti di sottospazio significativamente ridotti rispetto ai metodi standard.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Immagina di cercare di risolvere un enorme, impossibile puzzle. Non è un puzzle qualsiasi; è il puzzle di come gli atomi e gli elettroni danzano insieme per formare le molecole, dall'acqua che bevi ai medicinali che curano le malattie. Per decenni, gli scienziati hanno cercato di risolverlo osservando ogni singolo pezzo, ma il numero di pezzi cresce così velocemente che anche i supercomputer più potenti del mondo si bloccano, incapaci di completare l'immagine per qualsiasi cosa più grande di un minuscolo granello.
Per aggirare questo problema, gli scienziati hanno iniziato a usare un nuovo tipo di aiutante: i computer quantistici. Pensa a un computer quantistico non come a una calcolatrice più veloce, ma come a un magico e caotico lanciatore di dadi. Invece di calcolare ogni singola possibilità una alla volta, lancia i dadi milioni di volte per vedere quali schemi di atomi compaiono più spesso. Questo viene chiamato "campionamento". Tuttavia, c'è un problema. A volte i dadi sono un po' rumorosi, o gli schemi che trova sono troppo disordinati per essere utili. È come cercare un ago specifico in un pagliaio, ma il pagliaio continua a crescere ogni volta che guardi, e finisci per setacciare troppo scarto per trovare le cose buone. La grande domanda per gli scienziati è stata: come possiamo usare questi dadi quantistici rumorosi per trovare gli aghi giusti senza farci sommergere dal fieno?
È qui che entra in gioco un nuovo studio con un trucco astuto. I ricercatori, lavorando con un team di Qclairvoyance Quantum Labs e altri, hanno sviluppato un metodo chiamato DMET-QSCI-RBM. Suona come un nome complicato, ma pensalo come all'insegnamento a un robot intelligente come essere un detective migliore. Hanno combinato un computer quantistico (il lanciatore di dadi) con un modello di apprendimento automatico chiamato Restricted Boltzmann Machine (il detective). Invece di lasciare che il computer quantistico sputi semplicemente schemi casuali sperando nel meglio, hanno addestrato il robot a imparare quali schemi siano i più importanti.
Ecco cosa hanno scoperto: quando hanno testato questo nuovo detective su una molecola piccola e semplice, ha funzionato magnificamente, trovando la risposta usando solo una frazione minuscola dei pezzi possibili. Ma la vera magia è accaduta quando lo hanno applicato a un sistema biologico complesso: una proteina del virus SARS-CoV-2 (quello che causa il COVID-19) legata a un farmaco chiamato Carmofur. Questo è un sistema enorme e complicato che di solito manda in tilt i computer.
Il team ha suddiviso questo gigantesco complesso proteina-farmaco in 11 parti più piccole e ha risolto ciascuna di esse. Hanno confrontato questo nuovo metodo del "detective intelligente" con il vecchio modo di fare le cose. Il vecchio metodo, anche quando gli era permesso guardare quasi tutto il puzzle (circa il 97% dei pezzi), faticava a ottenere la risposta perfettamente corretta. Al contrario, il nuovo metodo DMET-QSCI-RBM ha trovato la risposta corretta guardando solo circa il 3,9% dei pezzi possibili.
Lo studio suggerisce che, usando l'apprendimento automatico per guidare il computer quantistico, non abbiamo bisogno di setacciare l'intero pagliaio. Possiamo insegnare al computer a ignorare lo scarto e a concentrarsi solo sugli aghi che contano. Questo significa che possiamo simulare sistemi biologici complessi, come il modo in cui i farmaci interagiscono con i virus, molto più velocemente e con meno potenza di calcolo rispetto a prima. È un passo promettente verso la progettazione di nuovi medicinali utilizzando i computer quantistici, dimostrando che a volte, guardare meno è in realtà la chiave per vedere di più.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.