CN114446414A - 基于量子循环神经网络的逆向合成分析方法 - Google Patents
基于量子循环神经网络的逆向合成分析方法 Download PDFInfo
- Publication number
- CN114446414A CN114446414A CN202210079589.3A CN202210079589A CN114446414A CN 114446414 A CN114446414 A CN 114446414A CN 202210079589 A CN202210079589 A CN 202210079589A CN 114446414 A CN114446414 A CN 114446414A
- Authority
- CN
- China
- Prior art keywords
- quantum
- neuron
- controlled
- neural network
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Analytical Chemistry (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Neurology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于量子循环神经网络的逆向合成分析方法,包括:将需要拆分的药物的可观测成分映射到量子系统上,以密度矩阵的形式进行表示;构建量子循环神经网络;将所述密度矩阵作为不同时刻的输入,经过量子循环神经网络后得到与相对应的药物组成分子存在概率相关的输出函数;利用目标函数得到药物的药物组成分子的存在结果;所述药物组成分子为所述可观测成分的组合,并且所述药物组成分子的组合构成所述药物;所述目标函数为经过测量后的输出函数。本发明利用量子循环神经网络对逆向合成分析进行模拟,避免了对实验室环境要求的苛刻性;相比较于传统的试验方法,得到准确结果的时间更短,效率更高。
Description
技术领域
本发明涉及药物分析领域,尤其涉及基于量子循环神经网络的逆向合成分析方法。
背景技术
逆向合成分析是克隆药物分子,解决有机合成方式的重要方法,通过对药物分子的拆解,从而得到市面上常有的原料分子,但是在实际上,逆向合成分析甚至可以说仅仅是一种理论技术,因为在实际操作过程中,需要对药物分子反复拆解,尝试,才可能得到药物分子的组成原料分子,并且对实验操作者的相关知识的熟练度和丰富度要求较高,此外,该项技术对于实验室的操作条件极其苛刻,导致大部分实验室并不能完整实施逆向合成技术,因此适用率并不高。
发明内容
本发明的目的在于克服现有技术的不足,提供基于量子循环神经网络的逆向合成分析方法。
本发明的目的是通过以下技术方案来实现的:
本发明的第一方面,提供基于量子循环神经网络的逆向合成分析方法,其特征在于:包括以下步骤:
将需要拆分的药物的可观测成分映射到量子系统上,以密度矩阵的形式进行表示;
构建量子循环神经网络;
将所述密度矩阵作为不同时刻的输入,经过量子循环神经网络后得到与相对应的药物组成分子存在概率相关的输出函数;
利用目标函数得到药物的药物组成分子的存在结果;所述药物组成分子为所述可观测成分的组合,并且所述药物组成分子的组合构成所述药物;所述目标函数为经过测量后的输出函数。
进一步地,所述将需要拆分的药物的可观测成分映射到量子系统上,以密度矩阵的形式进行表示,包括:
获取需要拆分的药物的可通过化学手段观测得到的基本结构,所述基本结构包括基团;
进一步地,所述的构建量子循环神经网络,包括:
利用RUS线路构造量子神经元;
利用量子神经元构造一个量子神经细胞;
将多个量子神经细胞按照经典循环神经网络结构进行排列构建,建立量子循环神经网络。
进一步地,所述利用RUS线路构造量子神经元,包括:
所述RUS线路包括三条线路,其中:
RUS线路中的第一条线路的输入为|x>量子态,|x>量子态包括n个量子比特;
RUS线路中的第二条线路包括顺次连接的R(θ)旋转门、R(-θ)旋转门和测量门,R(θ)旋转门包括n个与第一条线路连接的cR(θ)受控旋转子门、和一个ncR(θ)不受控旋转子门,R(-θ)旋转门包括n个与第一条线路连接的cR(-θ)受控旋转子门、和一个ncR(-θ)不受控旋转子门;
RUS线路中的第三条线路包括受控iY门,所述第二条线路的R(θ)旋转门和R(-θ)旋转门的公共连接点与受控iY门连接;
进一步地,所述测量门用于测量第二条线路上经过所有旋转门后得到的量子态,当该量子态的测量结果为0时,说明这个神经元已被应用成功,测量结果为1时,说明这个神经元还未被应用,此时会有一个校正电路将量子神经元的状态恢复到初始状态,重新测量,一直这样循环往复,直至测量结果为0,也就是说,直到该量子神经元被正常应用成功后,测量结果才会为0,进而执行下一步操作。
进一步地,利用量子神经元构造一个量子神经细胞,包括:
每个量子神经细胞均包括H条受控神经元线路和I条辅助量子比特线路,包括顺次连接的输入层、隐藏层和输出层;
所述输入层的每条受控神经元线路上均有一个受控神经元;所述I条辅助比特线路以初始态|0>与当前时刻的密度矩阵输入经过第一X量子门后,得到的I个量子态对输入层的每条量子神经元线路进行连接即对每个量子神经元施加控制;所述受控神经元按照所述量子神经元进行构造;输入层的受控神经元线路连接初始态|0>或前一个量子神经细胞的神经细胞态输出;
所述隐藏层包括一个或多个,其中每个隐藏层的每条受控神经元线路均包含一个量子旋转门,每个隐藏层的每条受控神经元线路还包括位于对应量子旋转门后方的一个受控神经元,每个受控神经元由除去自己所在线路的其他线路上的量子比特所控制,即每一个受控神经元由H+I-1个量子比特的量子态控制;所述受控神经元按照所述量子神经元进行构造;
所述输出层的I条辅助量子比特线路上的量子态和当前时刻的密度矩阵输入经过第二X量子门后,每一条辅助量子比特线路上各连接了一个受控神经元,每个受控神经元均由输出层的H条受控神经元线路控制;在每个受控神经元之后均连接有一个测量门,所述测量门共同输出当前时刻的输出值output;输出层的H条受控神经元线路输出该量子神经细胞的神经细胞态输出;所述受控神经元按照所述量子神经元进行构造;
其中,i=1…H,表示第i条受控神经元线路;s=1…S,表示第s个隐藏层;i=1…I,表示第j条辅助量子比特线路。
进一步地,所述将多个量子神经细胞按照经典循环神经网络结构进行排列构建,建立量子循环神经网络,包括:
将多个量子神经细胞按时间顺序顺次连接,其中:每个量子神经细胞的输入层的受控神经元线路连接初始态|0>或前一个量子神经细胞的神经细胞态ht-1输出,每个量子神经细胞的I条辅助比特线路以初始态|0>输入;每个量子神经细胞的输入层的辅助量子比特线路上的第一X量子门和输出层的辅助量子比特线路上的第二X量子门均连接对应时刻的密度矩阵xt;每个量子神经细胞的输出层的受控神经元线路输出该量子神经细胞的神经细胞态输出ht,每个量子神经细胞的输出层的辅助比特线路通过测量门输出该量子神经细胞的当前时刻的输出值output即yt;
其中量子循环神经网络的输出与输入关系由以下方程式表示:
ht=f(w2ht-1+b2,w1xt+b1) (1)
yt=w3ht+b3 (2)
其中(w1,w2,w3,b1,b2,b3)作为量子循环神经网络的参数(W,b),其中:w1和b1为输入层的参数,与输入层构架方式以及选择的参数门有关;w2和b2为隐藏层的参数,与隐藏层的构架方式和选择的参数门有关;w3和b3为输出层的参数,与输出层的构架方式和选择的参数门有关;f(·)与隐藏层的构架方式和选择的参数门有关;t表示第t个量子神经细胞。
进一步地,所述将所述密度矩阵作为不同时刻的输入,经过量子循环神经网络后得到与相对应的药物组成分子存在概率相关的输出函数,包括:
将所述密度矩阵作为不同时刻的输入,即ρt-1、ρt、ρt+1分别为t-1、t、t+1时刻的输入即分别对应为xt-1、xt、xt+1,输入至量子循环神经网络中对应的量子神经细胞,经过量子循环神经网络中除输出层的测量门后,分别得到输出函数 即为未进行测量的输出函数。
进一步地,所述利用目标函数得到药物的药物组成分子的存在结果,包括:
根据被测药物分子的药物特性,选择一组或多组叠加的猜测的药物组成分子,映射到量子系统上得到一组量子态Mi;
由量子系统的特性可知,经过测量门得到的结果即目标函数的结果为相应测量基矢的概率,即每一种猜测的药物组成分子的存在概率;
得到每种药物组成分子的存在的概率之后,与设置好的阈值比较,根据比较结果确定存在的药物组成分子。
进一步地,所述方法还包括:利用梯度优化模型对目标函数进行优化;具体包括:
假设目标函数g(.)是关于一个参数σ的函数,那么第一步令g′=g′(σ),对目标函数求导;第二步调整参数σ的值,令σt+1=σt+αg′,得到新的参数值后,带入第一步进行迭代,直到目标函数的值达到最优或者达到给定的阈值;其中α表示权重系数。
本发明的有益效果是:
(1)在本发明的一示例性实施例中,利用量子循环神经网络对逆向合成分析进行模拟:首先利用qiskit构建量子循环神经网络的线路,然后可以在电脑上进行逆向合成分析的模拟,避免了对实验室环境要求的苛刻性;其次由于是在电脑上进行模拟,不再是采用化学手段实现逆行合成分析技术,避免分析过程中需要多次拆解,尝试带来的原材料的大量消耗;此外,虽然理论上利用经典循环神经网络也可实现逆向合成分析的模拟,但是经典循环神经网络是在传统计算机环境下运行,经典计算机每一次只能操作一个数据,如果系统要求的运行空间大小为n个比特位,那么产生的数据为2n个,当计算完所有数据时,需要执行2n次,因此一旦输入数据过大,计算速度缓慢,并且对计算机内存消耗大,还极容易引起计算机宕机。由于量子计算的并行性,如果系统要求的运行空间大小为n个量子比特位,量子计算可以同时对2n个数据进行计算,因此,可以同时测量出几类分子的存在概率,相比较于传统的试验方法,得到准确结果的时间更短,效率更高。
(2)在本发明的又一示例性实施例中,量子循环神经网络具有长短时记忆性,量子循环神经网络包括有T个按时间顺序排列的量子神经细胞,每一个量子神经细胞存在一个输入值和输出值,并且量子神经细胞内具有参数(W,b),把需要进行拆分的药物分a映射到量子系统上,该药物分子可以用一个密度矩阵来描述,把密度矩阵作为输入值,输入值在通过量子循环神经的量子神经细胞后,得到一个输出值。
(3)在本发明的又一示例性实施例中,测量门用于测量第二条线路上经过所有旋转门后得到的量子态,当该量子态的测量结果为0时,说明这个神经元已被应用成功,测量结果为1时,说明这个神经元还未被应用,此时会有一个校正电路将量子神经元的状态恢复到初始状态,重新测量,一直这样循环往复,直至测量结果为0,也就是说,直到该量子神经元被正常应用成功后,测量结果才会为0,进而执行下一步操作。这样做的目的是防止环境噪声污染,对量子神经元里的量子态造成干扰。从而得到错误的数据,加大最后结果的误差。
(4)在本发明的又一示例性实施例中,为了使存在概率达到最优,或者说最准确,每一时刻的输出函数又与相对应的药物组成分子存在的概率正相关,于是,利用梯度优化模型对输出函数进行优化,即通过对量子循环神经网络中参数的调整,不断对量子循环神经网络训练,使得输出函数达到最优值,从而使得到相应的药物组成分子的存在概率的最准确。模型性能最好。
附图说明
图1为本发明一示例性实施例中提供的基于量子循环神经网络的逆向合成分析方法的步骤流程图;
图2为本发明一示例性实施例中提供的RUS线路的结构示意图;
图3为本发明一示例性实施例中提供的量子神经细胞的结构示意图;
图4为本发明一示例性实施例中提供的量子神经细胞的输入层的结构示意图;
图5为本发明一示例性实施例中提供的量子神经细胞的隐藏层的结构示意图;
图6为本发明一示例性实施例中提供的量子神经细胞的输出层的结构示意图;
图7为本发明一示例性实施例中提供的量子循环神经网络的结构示意图。
具体实施方式
下面结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,属于“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方向或位置关系为基于附图所述的方向或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,属于“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。此外,属于“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
参见图1,图1示出了本发明的一示例性实施例中提供的基于量子循环神经网络的逆向合成分析方法,包括以下步骤:
S01:将需要拆分的药物的可观测成分映射到量子系统上,以密度矩阵的形式进行表示;
S03:构建量子循环神经网络;
S05:将所述密度矩阵作为不同时刻的输入,经过量子循环神经网络后得到与相对应的药物组成分子存在概率相关的输出函数;
S07:利用目标函数得到药物的药物组成分子的存在结果;所述药物组成分子为所述可观测成分的组合,并且所述药物组成分子的组合构成所述药物;所述目标函数为经过测量后的输出函数。
首先对上述内容的几个名词在本申请的示例性实施例中的含义进行说明:(1)药物-药物组成分子-可观测成分,为三层关系,药物包括多种药物组成分子,而药物组成分子由可观测成分组成,虽然一开始并不知道具体是由哪些药物组成分子构成,但是可以通过化学手段观测到药物分子的整体结构,以及观测到最基本的组成结构(可观测成分),由哪些基团组成,例如甲基、苯基等等。具体地,当药物为某蛋白质时,其药物组成分子可以为多种氨基酸,对应的可观测成分即为基团。
具体地,在该示例性实施例中,利用量子循环神经网络对逆向合成分析进行模拟:首先利用qiskit构建量子循环神经网络的线路,然后可以在电脑上进行逆向合成分析的模拟,避免了对实验室环境要求的苛刻性;其次由于是在电脑上进行模拟,不再是采用化学手段实现逆行合成分析技术,避免分析过程中需要多次拆解,尝试带来的原材料的大量消耗;此外,虽然理论上利用经典循环神经网络也可实现逆向合成分析的模拟,但是经典循环神经网络是在传统计算机环境下运行,经典计算机每一次只能操作一个数据,如果系统要求的运行空间大小为n个比特位,那么产生的数据为2n个,当计算完所有数据时,需要执行2n次,因此一旦输入数据过大,计算速度缓慢,并且对计算机内存消耗大,还极容易引起计算机宕机。由于量子计算的并行性,如果系统要求的运行空间大小为n个量子比特位,量子计算可以同时对2n个数据进行计算,因此,可以同时测量出几类分子的存在概率(该内容将在后续示例性实施例详细说明),相比较于传统的试验方法,得到准确结果的时间更短,效率更高。
更优地,在一示例性实施例中,步骤S01中所述将需要拆分的药物的可观测成分映射到量子系统上,以密度矩阵的形式进行表示,包括:
获取需要拆分的药物的可通过化学手段观测得到的基本结构,所述基本结构包括基团;
更优地,在一示例性实施例中,步骤S03中所述的构建量子循环神经网络,包括:
S0301:利用RUS线路构造量子神经元;
S0303:利用量子神经元构造一个量子神经细胞;
S0305:将多个量子神经细胞按照经典循环神经网络结构进行排列构建,建立量子循环神经网络。
具体地,在该示例性实施例中,量子循环神经网络具有长短时记忆性,量子循环神经网络包括有T个按时间顺序排列的量子神经细胞,每一个量子神经细胞存在一个输入值和输出值,并且量子神经细胞内具有参数(W,b),把需要进行拆分的药物分a映射到量子系统上,该药物分子可以用一个密度矩阵来描述,把密度矩阵作为输入值,输入值在通过量子循环神经的量子神经细胞后,得到一个输出值。
更优地,在一示例性实施例中,步骤S0301中所述利用RUS线路构造量子神经元,包括:
如图2所示,所述RUS线路包括三条线路,其中:
RUS线路中的第一条线路的输入为|x>量子态,|x>量子态包括n个量子比特;
RUS线路中的第二条线路包括顺次连接的R(θ)旋转门、R(-θ)旋转门和测量门,R(θ)旋转门包括n个与第一条线路连接的cR(θ)受控旋转子门、和一个ncR(θ)不受控旋转子门,R(-θ)旋转门包括n个与第一条线路连接的cR(-θ)受控旋转子门、和一个ncR(-θ)不受控旋转子门;
RUS线路中的第三条线路包括受控iY门,所述第二条线路的R(θ)旋转门和R(-θ)旋转门的公共连接点与受控iY门连接;
具体地,在该示例性实施例中,|x>量子态由n个量子比特构成,并且这n个量子比特都对图中第二条线路上的量子态施加了控制,其中,R(θ)旋转门包括n个与第一条线路连接的cR(θ)受控旋转子门、和一个ncR(θ)不受控旋转子门,R(-θ)旋转门包括n个与第一条线路连接的cR(-θ)受控旋转子门、和一个ncR(-θ)不受控旋转子门,可以把第i个受控旋转门记为cR(i,θi),其他以此类推,此外,对于第二条线路上的量子态,还存在一个额外的不受控旋转门,记为ncR(θ),于是将量子态|x>里的n个比特结合n个旋转门cR(θ)对第二条线路上的初始量子态|0>施加的受控旋转操作以及第二条线路上本身额外还存在的一个旋转门ncR(θ)对该量子态的旋转操作映射到量子态的变换上,可以表示为R(θ0)cR(1,θ1)…cR(i,θi)…cR(n,θn)|x>|0>,简单地说,就是量子态|x>中第i个比特处于|1>时,则说明对第二条线路上的量子态执行了对应旋转门cR(θ)的操作;处于|0>时,则说明没有执行旋转门操作。后面的受控旋转门cR(-θ)利用的是同样技术思想,把第二条线路上的初始量子态|0>经过受控旋转门后cR(i,θi)门以及旋转门ncR(-θ)后得到的量子态记为|φ>,该量子态对应的量子比特与第三条线路上的iY门构成受控iY门,即量子态|φ>为|1>时,则对第三条线路上的初始量子态|0>执行量子iY门操作,反之,量子态|φ>为|0>时,不执行量子iY门操作。
更优地,在一示例性实施例中,所述测量门用于测量第二条线路上经过所有旋转门后得到的量子态,当该量子态的测量结果为0时,说明这个神经元已被应用成功,测量结果为1时,说明这个神经元还未被应用,此时会有一个校正电路将量子神经元的状态恢复到初始状态,重新测量,一直这样循环往复,直至测量结果为0,也就是说,直到该量子神经元被正常应用成功后,测量结果才会为0,进而执行下一步操作。这样做的目的是防止环境噪声污染,对量子神经元里的量子态造成干扰。从而得到错误的数据,加大最后结果的误差。
更优地,在一示例性实施例中,步骤S0303中,利用量子神经元构造一个量子神经细胞,包括:
如图3所示,每个量子神经细胞均包括H条受控神经元线路和I条辅助量子比特线路,包括顺次连接的输入层、隐藏层和输出层;
如图4所示,所述输入层的每条受控神经元线路上均有一个受控神经元;所述I条辅助比特线路以初始态|0>与当前时刻的密度矩阵输入经过第一X量子门后,得到的I个量子态对输入层的每条量子神经元线路进行连接即对每个量子神经元施加控制;所述受控神经元按照所述量子神经元进行构造;输入层的受控神经元线路连接初始态|0>或前一个量子神经细胞的神经细胞态输出;
其中,图4中的“cell state in”表示的是这个神经元细胞态的输入(当该量子神经细胞为第一个量子神经细胞时,输入为初始态|0>;当该量子神经细胞为非第一个量子神经细胞时,输入为前一个量子神经细胞的神经细胞态输出,(i=1…H)表示的是输入层的神经元,构造方式按照步骤S0301中的RUS线路构造,线路下方的的I个量子比特为辅助比特,辅助比特的初始态都为|0>,“input word”表示当前时刻的密度矩阵输入,I个辅助比特以初始态|0>与当前时刻的输入经过X量子门后得到的I个量子态对输入层的每个神经元都施加了控制,当I个量子态均达到相应的机制的态时,就会应用所控制的神经元。量子神经元的个数以及辅助比特的个数取决于实际的实验情况。
如图5所示,所述隐藏层包括一个或多个,一般根据实际情况构造时,会有多个隐藏层,但是隐藏层每一层的结构相同,于是,对其中一层的隐藏层进行说明即可;其中每个隐藏层的每条受控神经元线路均包含一个量子旋转门,每个隐藏层的每条受控神经元线路还包括位于对应量子旋转门后方的一个受控神经元,每个受控神经元由除去自己所在线路的其他线路上的量子比特所控制,即每一个受控神经元由H+I-1个量子比特的量子态控制;所述受控神经元按照所述量子神经元进行构造;
图中的“work stages”就是所谓的隐藏层,具体构造为:在上方的H条线路上,每一条线路上都连接了一个量子旋转门(i=1…H,s=1…S),s表示这是第几层隐藏层,i表示这是当前隐藏层的第几个旋转门,线路上方的每一条线路上的旋转门都连接有一个隐藏层的受控神经元(i=1…H,s=1…S),如线路图所示,线路下方还有I个辅助比特,每一个受控神经元由除去自己所在线路的其他线路上的量子比特所控制,即每一个受控神经元由H+I-1个量子比特的量子态控制。
如图6所示,所述输出层的I条辅助量子比特线路上的量子态和当前时刻的密度矩阵输入经过第二X量子门后,每一条辅助量子比特线路上各连接了一个受控神经元,每个受控神经元均由输出层的H条受控神经元线路控制;在每个受控神经元之后均连接有一个测量门,所述测量门共同输出当前时刻的输出值output;输出层的H条受控神经元线路输出该量子神经细胞的神经细胞态输出;所述受控神经元按照所述量子神经元进行构造;
具体地,输出层的具体结构为,线路图下方的I条线路上的量子态和当前时刻的输入经过X量子门后,每一条线路上各连接了一个受控神经元(j=1…I),同样的,输出层的神经元的构造按照实施例一中进行构造,每一个神经元被线路上方的H条线路上的所有量子比特所控制,当上方H条线路上的量子态达到相应的机制的态时,则应用了所控制的神经元,在经过了神经元后,对线路图下方的I条线路分别进行测量,得到的结果就是当前时刻的输出值,用“output”表示,线路上方H条线路上的量子态称为“cell state out”,为当前神经细胞态的输出态,同时作为下一个神经细胞态的输入状态,也就是前面所提到的“cell state in”。
其中,i=1…H,表示第i条受控神经元线路;s=1…S,表示第s个隐藏层;j=1…I,表示第j条辅助量子比特线路。
更优地,在一示例性实施例中,步骤S0305中所述将多个量子神经细胞按照经典循环神经网络结构进行排列构建,建立量子循环神经网络,包括:
如图7所示,将多个量子神经细胞按时间顺序顺次连接,其中:每个量子神经细胞的输入层的受控神经元线路连接初始态|0>或前一个量子神经细胞的神经细胞态ht-1输出,每个量子神经细胞的I条辅助比特线路以初始态|0>输入;每个量子神经细胞的输入层的辅助量子比特线路上的第一X量子门和输出层的辅助量子比特线路上的第二X量子门均连接对应时刻的密度矩阵xt;每个量子神经细胞的输出层的受控神经元线路输出该量子神经细胞的神经细胞态输出ht,每个量子神经细胞的输出层的辅助比特线路通过测量门输出该量子神经细胞的当前时刻的输出值output即yt;
具体地,图7中的“cell”就为量子神经细胞,按照神经元的构造方式进行构造,其中的“ini”为当前时刻的输入,“outL”为当前时刻的输出。需要注意的是,对于每一个神经细胞,其中作为辅助比特的I个比特在初始时进行|0>重置,与“cell state”不同,与上一时刻有关。
其中量子循环神经网络的输出与输入关系由以下方程式表示:
ht=f(w2ht-1+b2,w1xt+b1) (1)
yt=w3ht+b3 (2)
其中(w1,w2,w3,b1,b2,b3)作为量子循环神经网络的参数(W,b),其中:w1和b1为输入层的参数,与输入层构架方式以及选择的参数门有关;w2和b2为隐藏层的参数,与隐藏层的构架方式和选择的参数门有关;w3和b3为输出层的参数,与输出层的构架方式和选择的参数门有关;f(·)与隐藏层的构架方式和选择的参数门有关;t表示第t个量子神经细胞。
更优地,在一示例性实施例中,步骤S05中,所述将所述密度矩阵作为不同时刻的输入,经过量子循环神经网络后得到与相对应的药物组成分子存在概率相关的输出函数,包括:
将所述密度矩阵作为不同时刻的输入,即ρt-1、ρt、ρt+1分别为t-1、t、t+1时刻的输入即分别对应为xt-1、xt、xt+1,输入至量子循环神经网络中对应的量子神经细胞,经过量子循环神经网络中除输出层的测量门后,分别得到输出函数 即为未进行测量的输出函数。
更优地,在一示例性实施例中,步骤S07中所述利用目标函数得到药物的药物组成分子的存在结果,包括:
根据被测药物分子的药物特性,选择一组或多组叠加的猜测的药物组成分子,映射到量子系统上得到一组量子态Mi;
由量子系统的特性可知,经过测量门得到的结果即目标函数的结果为相应测量基矢的概率,即每一种猜测的药物组成分子的存在概率;
得到每种药物组成分子的存在的概率之后,与设置好的阈值比较,根据比较结果确定存在的药物组成分子。
其中,需要说明的是:在输出层的测量门处实现,将不同药物组成分子同时映射到量子系统上得到不同的量子态Mi,i表示第几个量子态,我们可以把不同的量子态Mi分为几组,把每一组的量子态叠加在一起,假设每一组为两个,把一组的量子态用一个叠加态表示,即M′=αMi+βMj(i≠j)利用量子计算的并行性(α和β表示权重系数),得到:
由于在对测量基矢选取时,会选择线性独立的量子态表示,因此输出结果也是线性独立的,因此,对于目标函数g(.)来说,输入一个状态但是同时得到了两个不同基矢的存在概率,因此也同时得到了Mi,Mj所对应的药物组成分子的存在概率。
更优地,在一示例性实施例中,所述方法还包括:利用梯度优化模型对目标函数进行优化;具体包括:
假设目标函数g(.)是关于一个参数σ的函数,那么第一步令g′=g′(σ),对目标函数求导;第二步调整参数σ的值,令σt+1=σt+αg′,得到新的参数值后,带入第一步进行迭代,直到目标函数的值达到最优或者达到给定的阈值;其中α表示权重系数(经验选取)。
具体地,在该示例性实施例中,为了使存在概率达到最优,或者说最准确,每一时刻的输出函数又与相对应的药物组成分子存在的概率正相关,于是,利用梯度优化模型对输出函数进行优化,即通过对量子循环神经网络中参数的调整,不断对量子循环神经网络训练,使得输出函数达到最优值,从而使得到相应的药物组成分子的存在概率的最准确。模型性能最好。
与上述示例性实施例具有相同的发明构思,本发明的又一示例性实施例中,提供基于量子循环神经网络的逆向合成分析系统,包括:
密度矩阵形成模块:用于将需要拆分的药物的可观测成分映射到量子系统上,以密度矩阵的形式进行表示;
量子循环神经网络构建模块:用于构建量子循环神经网络;
输出函数计算模块:用于将所述密度矩阵作为不同时刻的输入,经过量子循环神经网络后得到与相对应的药物组成分子存在概率相关的输出函数;
合成分析模块:利用目标函数得到药物的药物组成分子的存在结果;
其中,所述药物组成分子为所述可观测成分的组合,并且所述药物组成分子的组合构成所述药物;所述目标函数为经过测量后的输出函数。
更优地,在一示例性实施例中,所述将需要拆分的药物的可观测成分映射到量子系统上,以密度矩阵的形式进行表示,包括:
获取需要拆分的药物的可通过化学手段观测得到的基本结构,所述基本结构包括基团;
更优地,在一示例性实施例中,所述的构建量子循环神经网络,包括:
利用RUS线路构造量子神经元;
利用量子神经元构造一个量子神经细胞;
将多个量子神经细胞按照经典循环神经网络结构进行排列构建,建立量子循环神经网络。
更优地,在一示例性实施例中,所述利用RUS线路构造量子神经元,包括:
所述RUS线路包括三条线路,其中:
RUS线路中的第一条线路的输入为|x>量子态,|x>量子态包括n个量子比特;
RUS线路中的第二条线路包括顺次连接的R(θ)旋转门、R(-θ)旋转门和测量门,R(θ)旋转门包括n个与第一条线路连接的cR(θ)受控旋转子门、和一个ncR(θ)不受控旋转子门,R(-θ)旋转门包括n个与第一条线路连接的cR(-θ)受控旋转子门、和一个ncR(-θ)不受控旋转子门;
RUS线路中的第三条线路包括受控iY门,所述第二条线路的R(θ)旋转门和R(-θ)旋转门的公共连接点与受控iY门连接;
更优地,在一示例性实施例中,所述测量门用于测量第二条线路上经过所有旋转门后得到的量子态,当该量子态的测量结果为0时,说明这个神经元已被应用成功,测量结果为1时,说明这个神经元还未被应用,此时会有一个校正电路将量子神经元的状态恢复到初始状态,重新测量,一直这样循环往复,直至测量结果为0,也就是说,直到该量子神经元被正常应用成功后,测量结果才会为0,进而执行下一步操作。
更优地,在一示例性实施例中,利用量子神经元构造一个量子神经细胞,包括:
每个量子神经细胞均包括H条受控神经元线路和I条辅助量子比特线路,包括顺次连接的输入层、隐藏层和输出层;
所述输入层的每条受控神经元线路上均有一个受控神经元;所述I条辅助比特线路以初始态|0>与当前时刻的密度矩阵输入经过第一X量子门后,得到的I个量子态对输入层的每条量子神经元线路进行连接即对每个量子神经元施加控制;所述受控神经元按照所述量子神经元进行构造;输入层的受控神经元线路连接初始态|0>或前一个量子神经细胞的神经细胞态输出;
所述隐藏层包括一个或多个,其中每个隐藏层的每条受控神经元线路均包含一个量子旋转门,每个隐藏层的每条受控神经元线路还包括位于对应量子旋转门后方的一个受控神经元,每个受控神经元由除去自己所在线路的其他线路上的量子比特所控制,即每一个受控神经元由H+I-1个量子比特的量子态控制;所述受控神经元按照所述量子神经元进行构造;
所述输出层的I条辅助量子比特线路上的量子态和当前时刻的密度矩阵输入经过第二X量子门后,每一条辅助量子比特线路上各连接了一个受控神经元,每个受控神经元均由输出层的H条受控神经元线路控制;在每个受控神经元之后均连接有一个测量门,所述测量门共同输出当前时刻的输出值output;输出层的H条受控神经元线路输出该量子神经细胞的神经细胞态输出;所述受控神经元按照所述量子神经元进行构造;
其中,i=1…H,表示第i条受控神经元线路;s=1…S,表示第s个隐藏层;i=1…I,表示第j条辅助量子比特线路。
更优地,在一示例性实施例中,所述将多个量子神经细胞按照经典循环神经网络结构进行排列构建,建立量子循环神经网络,包括:
将多个量子神经细胞按时间顺序顺次连接,其中:每个量子神经细胞的输入层的受控神经元线路连接初始态|0>或前一个量子神经细胞的神经细胞态ht-1输出,每个量子神经细胞的I条辅助比特线路以初始态|0>输入;每个量子神经细胞的输入层的辅助量子比特线路上的第一X量子门和输出层的辅助量子比特线路上的第二X量子门均连接对应时刻的密度矩阵xt;每个量子神经细胞的输出层的受控神经元线路输出该量子神经细胞的神经细胞态输出ht,每个量子神经细胞的输出层的辅助比特线路通过测量门输出该量子神经细胞的当前时刻的输出值output即yt;
其中量子循环神经网络的输出与输入关系由以下方程式表示:
ht=f(w2ht-1+b2,w1xt+b1) (1)
yt=w3ht+b3 (2)
其中(w1,w2,w3,b1,b2,b3)作为量子循环神经网络的参数(W,b),其中:w1和b1为输入层的参数,与输入层构架方式以及选择的参数门有关;w2和b2为隐藏层的参数,与隐藏层的构架方式和选择的参数门有关;w3和b3为输出层的参数,与输出层的构架方式和选择的参数门有关;f(·)与隐藏层的构架方式和选择的参数门有关;t表示第t个量子神经细胞。
更优地,在一示例性实施例中,所述将所述密度矩阵作为不同时刻的输入,经过量子循环神经网络后得到与相对应的药物组成分子存在概率相关的输出函数,包括:
将所述密度矩阵作为不同时刻的输入,即ρt-1、ρt、ρt+1分别为t-1、t、t+1时刻的输入即分别对应为xt-1、xt、xt+1,输入至量子循环神经网络中对应的量子神经细胞,经过量子循环神经网络中除输出层的测量门后,分别得到输出函数 即为未进行测量的输出函数。
更优地,在一示例性实施例中,:所述利用目标函数得到药物的药物组成分子的存在结果,包括:
根据被测药物分子的药物特性,选择一组或多组叠加的猜测的药物组成分子,映射到量子系统上得到一组量子态Mi;
由量子系统的特性可知,经过测量门得到的结果即目标函数的结果为相应测量基矢的概率,即每一种猜测的药物组成分子的存在概率;
得到每种药物组成分子的存在的概率之后,与设置好的阈值比较,根据比较结果确定存在的药物组成分子。
更优地,所述系统还包括:
梯度优化模块,用于利用梯度优化模型对目标函数进行优化;
具体包括:假设目标函数g(.)是关于一个参数σ的函数,那么步令g′=g′(σ),对目标函数求导;第二步调整参数σ的值,令σt+1=σt+αg′,得到新的参数值后,带入第一步进行迭代,直到目标函数的值达到最优或者达到给定的阈值;其中α表示权重系数。
具体内容与所述方法的示例性实施例相同,在此不进行赘述。
与上述示例性实施例具有相同的发明构思,本发明的又一示例性实施例提供一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行所述的基于量子循环神经网络的逆向合成分析方法的步骤。
与上述示例性实施例具有相同的发明构思,本发明的又一示例性实施例提供一种装置,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行所述的基于量子循环神经网络的逆向合成分析方法的步骤。
基于这样的理解,本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
存储器用于存储各种类型的数据以支持在该装置的操作,这些数据例如可以包括用于在该装置上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random AccessMemory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.基于量子循环神经网络的逆向合成分析方法,其特征在于:包括以下步骤:
将需要拆分的药物的可观测成分映射到量子系统上,以密度矩阵的形式进行表示;
构建量子循环神经网络;
将所述密度矩阵作为不同时刻的输入,经过量子循环神经网络后得到与相对应的药物组成分子存在概率相关的输出函数;
利用目标函数得到药物的药物组成分子的存在结果;所述药物组成分子为所述可观测成分的组合,并且所述药物组成分子的组合构成所述药物;所述目标函数为经过测量后的输出函数。
3.根据权利要求2所述的基于量子循环神经网络的逆向合成分析方法,其特征在于:所述的构建量子循环神经网络,包括:
利用RUS线路构造量子神经元;
利用量子神经元构造一个量子神经细胞;
将多个量子神经细胞按照经典循环神经网络结构进行排列构建,建立量子循环神经网络。
4.根据权利要求3所述的基于量子循环神经网络的逆向合成分析方法,其特征在于:所述利用RUS线路构造量子神经元,包括:
所述RUS线路包括三条线路,其中:
RUS线路中的第一条线路的输入为|x>量子态,|x>量子态包括n个量子比特;
RUS线路中的第二条线路包括顺次连接的R(θ)旋转门、R(-θ)旋转门和测量门,R(θ)旋转门包括n个与第一条线路连接的cR(θ)受控旋转子门、和一个ncR(θ)不受控旋转子门,R(-θ)旋转门包括n个与第一条线路连接的cR(-θ)受控旋转子门、和一个ncR(-θ)不受控旋转子门;
RUS线路中的第三条线路包括受控iY门,所述第二条线路的R(θ)旋转门和R(-θ)旋转门的公共连接点与受控iY门连接;
5.根据权利要求4所述的基于量子循环神经网络的逆向合成分析方法,其特征在于:所述测量门用于测量第二条线路上经过所有旋转门后得到的量子态,当该量子态的测量结果为0时,说明这个神经元已被应用成功,测量结果为1时,说明这个神经元还未被应用,此时会有一个校正电路将量子神经元的状态恢复到初始状态,重新测量,一直这样循环往复,直至测量结果为0,也就是说,直到该量子神经元被正常应用成功后,测量结果才会为0,进而执行下一步操作。
6.根据权利要求4或5所述的基于量子循环神经网络的逆向合成分析方法,其特征在于:利用量子神经元构造一个量子神经细胞,包括:
每个量子神经细胞均包括H条受控神经元线路和I条辅助量子比特线路,包括顺次连接的输入层、隐藏层和输出层;
所述输入层的每条受控神经元线路上均有一个受控神经元;所述I条辅助比特线路以初始态|0>与当前时刻的密度矩阵输入经过第一X量子门后,得到的I个量子态对输入层的每条量子神经元线路进行连接即对每个量子神经元施加控制;所述受控神经元按照所述量子神经元进行构造;输入层的受控神经元线路连接初始态|0>或前一个量子神经细胞的神经细胞态输出;
所述隐藏层包括一个或多个,其中每个隐藏层的每条受控神经元线路均包含一个量子旋转门,每个隐藏层的每条受控神经元线路还包括位于对应量子旋转门后方的一个受控神经元,每个受控神经元由除去自己所在线路的其他线路上的量子比特所控制,即每一个受控神经元由H+I-1个量子比特的量子态控制;所述受控神经元按照所述量子神经元进行构造;
所述输出层的I条辅助量子比特线路上的量子态和当前时刻的密度矩阵输入经过第二X量子门后,每一条辅助量子比特线路上各连接了一个受控神经元,每个受控神经元均由输出层的H条受控神经元线路控制;在每个受控神经元之后均连接有一个测量门,所述测量门共同输出当前时刻的输出值output;输出层的H条受控神经元线路输出该量子神经细胞的神经细胞态输出;所述受控神经元按照所述量子神经元进行构造;
其中,i=1...H,表示第i条受控神经元线路;s=1...S,表示第s个隐藏层;j=1...I,表示第j条辅助量子比特线路。
7.根据权利要求6所述的基于量子循环神经网络的逆向合成分析方法,其特征在于:所述将多个量子神经细胞按照经典循环神经网络结构进行排列构建,建立量子循环神经网络,包括:
将多个量子神经细胞按时间顺序顺次连接,其中:每个量子神经细胞的输入层的受控神经元线路连接初始态|0>或前一个量子神经细胞的神经细胞态ht-1输出,每个量子神经细胞的I条辅助比特线路以初始态|0>输入;每个量子神经细胞的输入层的辅助量子比特线路上的第一X量子门和输出层的辅助量子比特线路上的第二X量子门均连接对应时刻的密度矩阵xt;每个量子神经细胞的输出层的受控神经元线路输出该量子神经细胞的神经细胞态输出ht,每个量子神经细胞的输出层的辅助比特线路通过测量门输出该量子神经细胞的当前时刻的输出值output即yt;
其中量子循环神经网络的输出与输入关系由以下方程式表示:
ht=f(w2ht-1+b2,w1xt+b1) (1)
yt=w3ht+b3 (2)
其中(w1,w2,w3,b1,b2,b3)作为量子循环神经网络的参数(W,b),其中:w1和b1为输入层的参数,与输入层构架方式以及选择的参数门有关;w2和b2为隐藏层的参数,与隐藏层的构架方式和选择的参数门有关;w3和b3为输出层的参数,与输出层的构架方式和选择的参数门有关;f(·)与隐藏层的构架方式和选择的参数门有关;t表示第t个量子神经细胞。
10.根据权利要求9所述的基于量子循环神经网络的逆向合成分析方法,其特征在于:所述方法还包括:利用梯度优化模型对目标函数进行优化;具体包括:
假设目标函数g(.)是关于一个参数σ的函数,那么第一步令g′=g′(σ),对目标函数求导;第二步调整参数σ的值,令σt+1=σt+αg′,得到新的参数值后,带入第一步进行迭代,直到目标函数的值达到最优或者达到给定的阈值;其中α表示权重系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210079589.3A CN114446414B (zh) | 2022-01-24 | 2022-01-24 | 基于量子循环神经网络的逆向合成分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210079589.3A CN114446414B (zh) | 2022-01-24 | 2022-01-24 | 基于量子循环神经网络的逆向合成分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114446414A true CN114446414A (zh) | 2022-05-06 |
CN114446414B CN114446414B (zh) | 2023-05-23 |
Family
ID=81369858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210079589.3A Active CN114446414B (zh) | 2022-01-24 | 2022-01-24 | 基于量子循环神经网络的逆向合成分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114446414B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007074383A1 (en) * | 2005-12-28 | 2007-07-05 | Ge Healthcare Limited | 18f-labeled phenoxyphenyl n-benzyl alkanamid derivatives for positron emission tomography (pet) imaging of peripheral benzodiazepine receptor |
CN102668393A (zh) * | 2009-10-30 | 2012-09-12 | 瑞典爱立信有限公司 | 数字订户线路中远端串扰的单端估计 |
US20170076220A1 (en) * | 2015-09-11 | 2017-03-16 | Zachary B. Walters | System and method for solving 3sat using a quantum computer |
CN106955112A (zh) * | 2017-03-17 | 2017-07-18 | 泉州装备制造研究所 | 基于量子小波神经网络模型的脑电波情绪认知方法 |
CN108025911A (zh) * | 2015-09-11 | 2018-05-11 | 扎卡里·B·沃尔特斯 | 用于使用量子计算机求解3sat的系统和方法 |
CN108833087A (zh) * | 2018-05-18 | 2018-11-16 | 西安建筑科技大学 | 一种基于轨道角动量的多用户量子身份认证方法 |
WO2019055847A1 (en) * | 2017-09-15 | 2019-03-21 | President And Fellows Of Harvard College | QUANTUM ARTIFICIAL NEURONAL NETWORK |
US20190302107A1 (en) * | 2010-07-26 | 2019-10-03 | The University Of Vermont | Hybrid quantum-classical computing system and method |
CN110674921A (zh) * | 2019-07-11 | 2020-01-10 | 中国科学技术大学 | 构建基于经典训练的量子前馈神经网络的方法 |
CN112185478A (zh) * | 2020-10-29 | 2021-01-05 | 成都职业技术学院 | 一种tadf发光分子发光性能的高通量预测方法 |
CN112270951A (zh) * | 2020-11-10 | 2021-01-26 | 四川大学 | 基于多任务胶囊自编码器神经网络的全新分子生成方法 |
CN112784472A (zh) * | 2021-01-27 | 2021-05-11 | 电子科技大学 | 循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法 |
CN112906898A (zh) * | 2021-03-10 | 2021-06-04 | 清华大学 | 一种量子噪音确定和量子态估计方法 |
CN113033703A (zh) * | 2021-04-21 | 2021-06-25 | 北京百度网讯科技有限公司 | 量子神经网络训练方法及装置、电子设备和介质 |
CN113159303A (zh) * | 2021-03-02 | 2021-07-23 | 重庆邮电大学 | 一种基于量子线路的人工神经元构造方法 |
CN113159239A (zh) * | 2021-06-28 | 2021-07-23 | 北京航空航天大学 | 一种量子图卷积神经网络处理图数据的方法 |
CN113496285A (zh) * | 2021-07-07 | 2021-10-12 | 北京百度网讯科技有限公司 | 基于量子电路的数据处理方法及装置、电子设备和介质 |
US20210374595A1 (en) * | 2020-06-02 | 2021-12-02 | Zapata Computing, Inc. | Realizing Controlled Rotations by a Function of Input Basis State of a Quantum Computer |
WO2021243454A1 (en) * | 2020-06-04 | 2021-12-09 | 1Qb Information Technologies Inc. | Methods and systems for improving an estimation of a property of a quantum state |
CN113935489A (zh) * | 2021-10-15 | 2022-01-14 | 中国人民解放军战略支援部队信息工程大学 | 基于量子神经网络的变分量子模型tfq-vqa及其两级优化方法 |
-
2022
- 2022-01-24 CN CN202210079589.3A patent/CN114446414B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007074383A1 (en) * | 2005-12-28 | 2007-07-05 | Ge Healthcare Limited | 18f-labeled phenoxyphenyl n-benzyl alkanamid derivatives for positron emission tomography (pet) imaging of peripheral benzodiazepine receptor |
CN102668393A (zh) * | 2009-10-30 | 2012-09-12 | 瑞典爱立信有限公司 | 数字订户线路中远端串扰的单端估计 |
US20190302107A1 (en) * | 2010-07-26 | 2019-10-03 | The University Of Vermont | Hybrid quantum-classical computing system and method |
US20170076220A1 (en) * | 2015-09-11 | 2017-03-16 | Zachary B. Walters | System and method for solving 3sat using a quantum computer |
CN108025911A (zh) * | 2015-09-11 | 2018-05-11 | 扎卡里·B·沃尔特斯 | 用于使用量子计算机求解3sat的系统和方法 |
CN106955112A (zh) * | 2017-03-17 | 2017-07-18 | 泉州装备制造研究所 | 基于量子小波神经网络模型的脑电波情绪认知方法 |
WO2019055847A1 (en) * | 2017-09-15 | 2019-03-21 | President And Fellows Of Harvard College | QUANTUM ARTIFICIAL NEURONAL NETWORK |
CN108833087A (zh) * | 2018-05-18 | 2018-11-16 | 西安建筑科技大学 | 一种基于轨道角动量的多用户量子身份认证方法 |
CN110674921A (zh) * | 2019-07-11 | 2020-01-10 | 中国科学技术大学 | 构建基于经典训练的量子前馈神经网络的方法 |
US20210374595A1 (en) * | 2020-06-02 | 2021-12-02 | Zapata Computing, Inc. | Realizing Controlled Rotations by a Function of Input Basis State of a Quantum Computer |
WO2021243454A1 (en) * | 2020-06-04 | 2021-12-09 | 1Qb Information Technologies Inc. | Methods and systems for improving an estimation of a property of a quantum state |
CN112185478A (zh) * | 2020-10-29 | 2021-01-05 | 成都职业技术学院 | 一种tadf发光分子发光性能的高通量预测方法 |
CN112270951A (zh) * | 2020-11-10 | 2021-01-26 | 四川大学 | 基于多任务胶囊自编码器神经网络的全新分子生成方法 |
CN112784472A (zh) * | 2021-01-27 | 2021-05-11 | 电子科技大学 | 循环神经网络模拟量子输运过程中的量子条件主方程的模拟方法 |
CN113159303A (zh) * | 2021-03-02 | 2021-07-23 | 重庆邮电大学 | 一种基于量子线路的人工神经元构造方法 |
CN112906898A (zh) * | 2021-03-10 | 2021-06-04 | 清华大学 | 一种量子噪音确定和量子态估计方法 |
CN113033703A (zh) * | 2021-04-21 | 2021-06-25 | 北京百度网讯科技有限公司 | 量子神经网络训练方法及装置、电子设备和介质 |
CN113159239A (zh) * | 2021-06-28 | 2021-07-23 | 北京航空航天大学 | 一种量子图卷积神经网络处理图数据的方法 |
CN113496285A (zh) * | 2021-07-07 | 2021-10-12 | 北京百度网讯科技有限公司 | 基于量子电路的数据处理方法及装置、电子设备和介质 |
CN113935489A (zh) * | 2021-10-15 | 2022-01-14 | 中国人民解放军战略支援部队信息工程大学 | 基于量子神经网络的变分量子模型tfq-vqa及其两级优化方法 |
Non-Patent Citations (5)
Title |
---|
JOHANNES BAUSCH: ""Recurrent Quantum Neural Networks"", 《NEURIPS 2020》 * |
JUNDE LI等: ""Invited:Drug Discovery Approaches using Quantum Machine Learning"", 《ACM/IEEE DESIGN AUTOMATION CONFERENCE》 * |
WILLIAM BORT等: ""Discovery of novel chemical reactions by deep generative recurrent neural network"", 《SCIENTIFIC REPORTS》 * |
李锋等: ""基于双隐层量子线路循环单元神经网络的状态退化趋势预测"", 《机械工程学报》 * |
陈欣懋等: ""生物逆向工程设计在合成生物学中的应用"", 《合成生物学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114446414B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | When do curricula work? | |
Dang et al. | Deep learning-based detection of structural damage using time-series data | |
Peng et al. | Hierarchical Harris hawks optimizer for feature selection | |
Shi et al. | Protein complex detection with semi-supervised learning in protein interaction networks | |
Khan et al. | Integration of AI and traditional medicine in drug discovery | |
Zhou et al. | Random following ant colony optimization: Continuous and binary variants for global optimization and feature selection | |
Schimunek et al. | Context-enriched molecule representations improve few-shot drug discovery | |
CN113744799A (zh) | 一种基于端到端学习的化合物和蛋白质相互作用与亲和力预测方法 | |
Ren et al. | Stability of salp swarm algorithm with random replacement and double adaptive weighting | |
Gabalda-Sagarra et al. | Recurrence-based information processing in gene regulatory networks | |
Rogers | Predicting weather using a genetic memory: a combination of Kanerva's sparse distributed memory with Holland's genetic algorithms | |
CN113569059A (zh) | 目标用户识别方法及装置 | |
Duan et al. | Deep-learning-based 3D cellular force reconstruction directly from volumetric images | |
Song et al. | Variable selection with false discovery rate control in deep neural networks | |
US12039453B2 (en) | Reinforcement testing of a neural network | |
Arcucci et al. | Neural assimilation | |
Li et al. | Prediction of damage accumulation effect of wood structural members under long-term service: A machine learning approach | |
CN114446414A (zh) | 基于量子循环神经网络的逆向合成分析方法 | |
Yang et al. | Novel global exponential stability results for a class of two-coupled-hub nonlinear genetic regulatory networks with time-varying delays | |
Svensson et al. | Robust task-specific adaption of models for drug-target interaction prediction | |
Prajwal et al. | Deep learning based load forecasting for futuristic sustainable smart grid | |
CN114360637A (zh) | 一种基于图注意力网络的蛋白质-配体亲和力评价方法 | |
Rogers | Weather prediction using a genetic memory | |
Bellot Pujalte | Study of gene regulatory networks inference methods from gene expression data | |
Thrall et al. | Rediscovering the Particle-in-a-Box: Machine Learning Regression Analysis for Hypothesis Generation in Physical Chemistry Lab |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |