Machine-Learned Compact Subspace Generation for Quantum Selected Configuration Interaction within Density Matrix Embedding Framework
本文介绍了一种结合了密度矩阵嵌入理论（Density Matrix Embedding Theory）的机器学习增强协议 QSCI-RBM，该协议利用受限玻尔兹曼机（Restricted Boltzmann Machines）生成紧凑的高概率构型子空间，在模拟 SARS-CoV-2 主蛋白酶时，与标准方法相比，在显著降低子空间需求的同时，成功实现了化学精度。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下你正在试图解决一个巨大的、不可能完成的拼图游戏。这不仅仅是一个普通的拼图；这是一个关于原子和电子如何共同起舞以形成分子的谜题，从你饮用的水到治愈疾病的药物皆是如此。几十年来，科学家们一直试图通过观察每一个碎片来解决这个问题，但碎片的数量增长得太快，以至于即使是世界上最强大的超级计算机也会陷入困境，无法为任何比微尘更大的物体完成拼图。
为了绕过这个问题，科学家们开始使用一种新型的助手：量子计算机。不要把量子计算机仅仅看作是一个更快的计算器，而要把它看作是一个神奇的、混乱的骰子投掷器。它不是一个接一个地计算每一种可能性，而是投掷数百万次骰子，以观察哪些原子模式出现得最频繁。这被称为“采样”。然而，问题在于，有时骰子会产生一些噪音，或者它发现的模式太乱而无法使用。这就像是在试图于一堆干草中寻找一根特定的针，但每当你寻找时，干草堆就会变得更大，导致你最终在过多的废料中筛选，却找不到有用的东西。科学家们面临的大问题是：我们如何利用这些带有噪声的量子骰子，在不被干草掩埋的情况下找到那些“正确的针”？
就在这时，一项新的研究通过一个聪明的技巧介入了。研究人员与 Qclairvoyance Quantum Labs 的团队及其他人员合作，开发了一种名为 DMET-QSCI-RBM 的方法。这个名字听起来很拗口，但你可以把它想象成在教一个聪明的机器人如何成为一名更好的侦探。他们将量子计算机（骰子投掷器）与一种名为受限玻尔兹曼机（Restricted Boltzmann Machine，即侦探）的机器学习模型结合在一起。他们并没有让量子计算机只是随机吐出模式并寄希望于最好结果，而是训练了这个机器人去学习哪些模式是最重要的。
以下是他们的发现：当他们在测试这个新型“侦探”处理一个微小、简单的分子时，它表现得非常出色，仅使用可能碎片的极小一部分就找到了答案。但真正的魔力发生在他们将它应用于一个复杂的生物系统时：一个与一种名为卡莫福（Carmofur）的药物结合在一起的 SARS-CoV-2 病毒（引起 COVID-19 的病毒）蛋白质。这是一个巨大的、复杂的系统，通常会让计算机崩溃。
团队将这个巨大的蛋白质-药物复合物分解成 11 个较小的块，并解决了每一个。他们将这种新的“智能侦探”方法与旧的方法进行了对比。旧的方法，即使被允许观察几乎整个拼图（约 97% 的碎片），也难以完美地得出答案。相比之下，新的 DMET-QSCI-RBM 方法在仅观察了大约 3.9% 的可能碎片时，就找到了正确的答案。
这项研究表明，通过使用机器学习来引导量子计算机，我们不需要在整堆干草中进行筛选。我们可以教会计算机忽略废料，只专注于那些重要的“针”。这意味着我们可以比以前更快、用更少的计算能力来模拟复杂的生物系统，例如药物如何与病毒相互作用。这是利用量子计算机设计新药迈出的充满希望的一步，证明了有时，观察得更少反而是看得更多的关键。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。