CN116153434A - 一种基于哈密顿量编码的分子图特征提取方法、装置、存储介质及终端 - Google Patents
一种基于哈密顿量编码的分子图特征提取方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN116153434A CN116153434A CN202310273569.4A CN202310273569A CN116153434A CN 116153434 A CN116153434 A CN 116153434A CN 202310273569 A CN202310273569 A CN 202310273569A CN 116153434 A CN116153434 A CN 116153434A
- Authority
- CN
- China
- Prior art keywords
- hamiltonian
- molecular
- amount
- molecular diagram
- time evolution
- 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
- 238000010586 diagram Methods 0.000 title claims abstract description 66
- 238000000605 extraction Methods 0.000 title claims abstract description 37
- 239000003814 drug Substances 0.000 claims abstract description 35
- 229940079593 drug Drugs 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 239000000284 extract Substances 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 238000000354 decomposition reaction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G16C20/50—Molecular design, e.g. of drugs
-
- 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
- G06N10/40—Physical realisations or architectures of quantum processors or components for manipulating qubits, e.g. qubit coupling or qubit control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computational Mathematics (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Semiconductor Memories (AREA)
Abstract
本发明公开了一种基于哈密顿量编码的分子图特征提取方法、装置、存储介质及终端，包括：将药物分子的分子图通过时间演化方法转化为哈密顿量；将时间演化得到的哈密顿量映射到量子系统；根据映射后的哈密顿量构建量子处理器并测量哈密顿量的期望值；将得到的期望值输入神经网络模型，提取分子图的特征。本发明通过对药物分子的分子图直接进行特征提取，将能够极大程度地保留药物分子的特征信息；通过伊辛哈密顿量结合时间演化的方式，提高了运算速度。同时，可以构建一个专用于生物医药领域的量子数据集，能够极大地促进生物医药领域的发展。
Description
技术领域
本发明涉及生物化学领域，尤其涉及一种基于哈密顿量编码的分子图特征提取方法、装置、存储介质及终端。
背景技术
目前在生物、化学等学科领域的科研工作中，特别是对于药物研发来说，提取药物分子(有机化合物)的特征是一项重点步骤，通常将药物分子采用SM ILES编码或分子图进行表征，其中通过化合分子的SMILES编码提取特征的过程中将会丢失很多重要特征。相比于SMILES编码，分子图表征化合物能保留更多的特征信息。直接通过分子的图结构提取特征，能够得到更精确的实验效果，因此针对分子图进行研究成为当下药物研发与设计的重点方向。
目前针对分子图的处理方法包括GCN、图的树分解等。但GNN模型存在“过度平滑(over-smoothing)”现象，当堆叠过多的多层时，图中不同节点的特征变得难以区分，严重损害模型的性能；同时GNN模型不足以完全刻画分子的内部结构，因为经典GNN模型仅仅建立于抽象的图结构之上，很难考虑物理学相关定律和原子与原子之间的位置信息。因此提出一种新的提取分子图特征的方法势在必行。
发明内容
本发明的目的在于克服现有技术中分子图特征提取的不足，提供了一种基于哈密顿量编码的分子图特征提取方法、装置、存储介质及终端。
本发明的目的是通过以下技术方案来实现的：
在第一方面，提供一种基于哈密顿量编码的分子图特征提取方法，所述方法包括以下步骤：
S1、将药物分子的分子图通过时间演化方法转化为哈密顿量；
S2、将时间演化得到的哈密顿量映射到量子系统；
S3、根据映射后的哈密顿量构建量子处理器并测量哈密顿量的期望值；
S4、将所述步骤S3得到的期望值输入神经网络模型，提取分子图的特征。
作为一优选项，一种基于哈密顿量编码的分子图特征提取方法，所述方法还包括：
S5、将所述步骤S4中提取的特征进行封装，构建一个药物分子的量子数据集。
作为一优选项，一种基于哈密顿量编码的分子图特征提取方法，将所述步骤S4中提取的特征进行封装，包括：
将特征以列表形式进行存储。
作为一优选项，一种基于哈密顿量编码的分子图特征提取方法，所述将药物分子的分子图通过时间演化方法转化为哈密顿量，包括：
S11、针对分子图G＝(V，E)，构建一个受哈密顿量
支配的时间演化系统；
S12、引入另一个哈密顿量
所述哈密顿量
由一组参数θ参数化，独立于G并且使得
并用所述哈密顿量
对时间演化系统施加脉冲；
S13、时间演化系统预定义状态|ψ0>启动，在哈密顿量
的初始脉冲之后，让系统随着哈密顿量
和哈密顿量
演化。
作为一优选项，一种基于哈密顿量编码的分子图特征提取方法，所述将时间演化得到的哈密顿量映射到量子系统，包括：
S21、通过Suzuki-Trotter分解将变换后哈密顿量
的指数展开为线路上可以实现的门。
作为一优选项，一种基于哈密顿量编码的分子图特征提取方法，所述根据映射后的哈密顿量构建量子处理器，包括：
S31、初始化量子态|ψ0>；
S32、将变换后的哈密顿量用于构建量子线路。
作为一优选项，一种基于哈密顿量编码的分子图特征提取方法，将所述步骤S3得到的期望值输入神经网络模型，提取分子图的特征，包括：
将所述期望值作为经典神经网络的输入参数并提取期望值的特征。
在第二方面，提供一种基于哈密顿量编码的分子图特征提取装置，所述装置包括：
分子图的时间演化模块，被配置为将药物分子的分子图通过时间演化方法转化为哈密顿量；
哈密顿量映射模块，被配置为将时间演化得到的哈密顿量映射到量子系统；
期望值计算模块，被配置为根据映射后的哈密顿量构建量子处理器并测量哈密顿量的期望值；
分子图特征提取模块，被配置为将所述的期望值输入神经网络模型，提取分子图的特征。
在第三方面，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任意一项所述基于哈密顿量编码的分子图特征提取方法的步骤。
在第四方面，提供一种终端，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，处理器运行计算机指令时执行任意一项所述基于哈密顿量编码的分子图特征提取方法的步骤。
需要进一步说明的是，上述各选项对应的技术特征在不冲突的情况下可以相互组合或替换构成新的技术方案。
与现有技术相比，本发明有益效果是：
(1)本发明通过将量子系统的时间演化、VQE以及神经网络模型相结合，对药物分子的分子图直接进行特征提取，将能够极大程度地保留药物分子的特征信息。其中，通过伊辛哈密顿量结合时间演化的方式实现了经典到量子的直接转变，哈密顿量对分子图进行编码有助于通过量子机器学习对药物分子进行处理，提高了运算速度；将分子图直接编码为哈密顿量，一方面可以更全面的提取药物分子的特征，另一方面实现对药物分子设计的高效性。
(2)在一个示例中，本发明将提取的特征进行封装，可以构建一个专用于生物医药领域的量子数据集，能够极大地促进生物医药领域的发展。
附图说明
图1为本发明实施例示出的一种基于哈密顿量编码的分子图特征提取方法的流程图；
图2为本发明实施例示出的包含特征封装的分子图特征提取方法的流程图；
图3为本发明实施例示出的构建量子处理器的示意图；
图4为本发明实施例示出的神经网络模型提取化学分子特征的示意图；
图5为本发明实施例示出的一种基于哈密顿量编码的分子图特征提取装置的示意图。
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。
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。
在描述本发明的实施例之前，对涉及的专业名词进行解释：
SMILES编码：全称是Simplified Molecular Input Line Entry System，是一种用于输入和表示分子反应的线性符号，是一种ASCII编码。
VQE：变分量子本征求解器(variational quantum eigensolver,VQE)指利用经典优化器训练一个含参量子线路，用于求解矩阵本征值和本征矢的算法。
Suzuki-Trotter分解：Trotter-Suzuki decomposition(TSD)是物理系统仿真和控制的重要工具，能够实现哈密顿量在量子计算机上的模拟。Trotter-Suzuki分解设计矩阵幂的有效逼近，适用于矩阵幂函数。
在一示例性实施例中，提供一种基于哈密顿量编码的分子图特征提取方法，参照图1，所述方法包括以下步骤：
S1、将药物分子的分子图通过时间演化方法转化为哈密顿量，其中，输入化合物分子的拓扑结构，将拓扑结构编码为哈密顿量；
S2、将时间演化得到的哈密顿量映射到量子系统；
S3、根据映射后的哈密顿量构建量子处理器并测量哈密顿量的期望值；
S4、将所述步骤S3得到的期望值输入神经网络模型，提取分子图的特征。
具体地，通过将量子系统的时间演化、VQE以及神经网络模型相结合，对药物分子的分子图直接进行特征提取，将能够极大程度地保留药物分子的特征信息。其中，通过伊辛哈密顿量结合时间演化的方式实现了经典到量子的直接转变，哈密顿量对分子图进行编码有助于通过量子机器学习对药物分子进行处理，提高了运算速度；将分子图直接编码为哈密顿量，一方面可以更全面的提取药物分子的特征，另一方面实现对药物分子设计的高效性。
进一步地，参照图2，一种基于哈密顿量编码的分子图特征提取方法，所述方法还包括：
S5、将所述步骤S4中提取的特征进行封装，构建一个药物分子的量子数据集。其中，将特征以列表形式进行存储，可以构建一个专用于生物医药领域的量子数据集，能够极大地促进生物医药领域的发展。
进一步地，所述将药物分子的分子图通过时间演化方法转化为哈密顿量，包括：
S11、针对分子图G＝(V，E)，构建一个受哈密顿量
支配的时间演化系统，此处，将该系统设置为经典自旋模型横场伊辛哈密顿量：
其中，
表示分子图哈密顿量，
表示伊辛哈密顿量，σx，σz分别表示沿x和z方向的泡利矩阵，i取不同值代表其作用在不同的自旋态上，其形式分别表示为：
c为算符的矩阵表示，可以写作：
S12、引入另一个哈密顿量
所述哈密顿量
由一组参数θ参数化，独立于G并且使得
并用所述哈密顿量
对时间演化系统施加脉冲，即让它在持续的时间τ内以连贯的单量子位驱动哈密顿量
演化；
S13、时间演化系统预定义状态|ψ0>启动，在哈密顿量
的初始脉冲之后，让系统随着哈密顿量
(持续时间τj)和哈密顿量
(j时刻的哈密顿量)演化，这次演化可以总结为一组参数Ω＝{θ0，t1，θ1，...，tp，θp}，系统最终处于状态：
其中，p表示过程的深度(或层数)，|ψf>表示系统演演化后的末态，|ψ0>为给定的初态，e-iH表示哈密顿量。
具体地，借助中性原子量子处理器和Rydberg原子处理器，其可以实现高度可调的哈密顿量来编码具有多达数百个量子位的各种图拓扑，采用时间演化方法将药物分子的拓扑图编码为哈密顿量。使用脉冲器库进行数据模拟，激光在原子上作用的特性(振幅和频率)每次都设置，调整原子所看到的哈密顿量。相互作用哈密顿量是由原子的空间分布决定的，可以调整到任何任意几何结构。
进一步地，所述将时间演化得到的哈密顿量映射到量子系统，包括：
S21、通过Suzuki-Trotter分解将变换后哈密顿量
的指数展开为线路上可以实现的门，具体地，将指数
展开为线路上可以实现的门，具体过程如下：
H为哈密顿量
将其表达为易于模拟的哈密顿运算符总和：
对非对角阵做特征分解：
其中U为H的特征向量组成的矩阵，Λ为相对应的特征值在对角线排列而成的对角阵。
进一步地，参照图3，所述根据映射后的哈密顿量构建量子处理器，包括：
S31、初始化量子态|ψ0>；
S32、将变换后的哈密顿量用于构建量子线路。最终将系统演化得到的量子态映射到量子态上，并实现初态到末态的转变。
进一步地，参照图4，将所述步骤S3得到的期望值输入神经网络模型，提取分子图的特征，包括：
将所述期望值作为经典神经网络的输入参数并提取期望值的特征。
在另一示例性实施例中，提供一种基于哈密顿量编码的分子图特征提取装置，参照图5，所述装置包括：
分子图的时间演化模块，被配置为将药物分子的分子图通过时间演化方法转化为哈密顿量；
哈密顿量映射模块，被配置为将时间演化得到的哈密顿量映射到量子系统；
期望值计算模块，被配置为根据映射后的哈密顿量构建量子处理器并测量哈密顿量的期望值；
分子图特征提取模块，被配置为将所述的期望值输入神经网络模型，提取分子图的特征。
进一步地，装置还包括量子数据集构建模块，被配置为将分子图特征提取模块提取的特征进行封装，构建一个药物分子的量子数据集。其中，将特征以列表形式进行存储，可以构建一个专用于生物医药领域的量子数据集。
在另一示例性实施例中，本发明提供一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行所述基于哈密顿量编码的分子图特征提取方法。
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方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在另一示例性实施例中，本发明提供一种终端，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，处理器运行计算机指令时执行所述基于哈密顿量编码的分子图特征提取方法。
处理器可以是单核或者多核中央处理单元或者特定的集成电路，或者配置成实施本发明的一个或者多个集成电路。
本说明书中描述的主题及功能操作的实施例可以在以下中实现：有形体现的计算机软件或固件、包括本说明书中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程序，即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地，程序指令可以被编码在人工生成的传播信号上，例如机器生成的电、光或电磁信号，该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。
本说明书中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行，以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)来执行，并且装置也可以实现为专用逻辑电路。
适合用于执行计算机程序的处理器包括，例如通用和/或专用微处理器，或任何其他类型的中央处理单元。通常，中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常，计算机还将包括用于存储数据的一个或多个大容量存储设备，例如磁盘、磁光盘或光盘等，或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据，抑或两种情况兼而有之。然而，计算机不是必须具有这样的设备。此外，计算机可以嵌入在另一设备中，例如移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏操纵台、全球定位系统(GPS)接收机、或例如通用串行总线(USB)闪存驱动器的便携式存储设备，仅举几例。
虽然本说明书包含许多具体实施细节，但是这些不应被解释为限制任何发明的范围或所要求保护的范围，而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。
类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。
以上具体实施方式是对本发明的详细说明，不能认定本发明的具体实施方式只局限于这些说明，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演和替代，都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于哈密顿量编码的分子图特征提取方法，其特征在于，所述方法包括以下步骤：
S1、将药物分子的分子图通过时间演化方法转化为哈密顿量；
S2、将时间演化得到的哈密顿量映射到量子系统；
S3、根据映射后的哈密顿量构建量子处理器并测量哈密顿量的期望值；
S4、将所述步骤S3得到的期望值输入神经网络模型，提取分子图的特征。
2.根据权利要求1所述的一种基于哈密顿量编码的分子图特征提取方法，其特征在于，所述方法还包括：
S5、将所述步骤S4中提取的特征进行封装，构建一个药物分子的量子数据集。
3.根据权利要求2所述的一种基于哈密顿量编码的分子图特征提取方法，其特征在于，将所述步骤S4中提取的特征进行封装，包括：
将特征以列表形式进行存储。
4.根据权利要求1所述的一种基于哈密顿量编码的分子图特征提取方法，其特征在于，所述将药物分子的分子图通过时间演化方法转化为哈密顿量，包括：
S11、针对分子图G＝(V，E)，构建一个受哈密顿量
支配的时间演化系统；
S12、引入另一个哈密顿量
所述哈密顿量
由一组参数θ参数化，独立于G并且使得
并用所述哈密顿量
对时间演化系统施加脉冲；
S13、时间演化系统预定义状态|ψ0>启动，在哈密顿量
的初始脉冲之后，让系统随着哈密顿量
和哈密顿量
演化。
5.根据权利要求4所述的一种基于哈密顿量编码的分子图特征提取方法，其特征在于，所述将时间演化得到的哈密顿量映射到量子系统，包括：
S21、通过Suzuki-Trotter分解将变换后哈密顿量
的指数展开为线路上可以实现的门。
6.根据权利要求5所述的一种基于哈密顿量编码的分子图特征提取方法，其特征在于，所述根据映射后的哈密顿量构建量子处理器，包括：
S31、初始化量子态|ψ0>；
S32、将变换后的哈密顿量用于构建量子线路。
7.根据权利要求6所述的一种基于哈密顿量编码的分子图特征提取方法，其特征在于，将所述步骤S3得到的期望值输入神经网络模型，提取分子图的特征，包括：
将所述期望值作为经典神经网络的输入参数并提取期望值的特征。
8.一种基于哈密顿量编码的分子图特征提取装置，其特征在于，所述装置包括：
分子图的时间演化模块，被配置为将药物分子的分子图通过时间演化方法转化为哈密顿量；
哈密顿量映射模块，被配置为将时间演化得到的哈密顿量映射到量子系统；
期望值计算模块，被配置为根据映射后的哈密顿量构建量子处理器并测量哈密顿量的期望值；
分子图特征提取模块，被配置为将所述的期望值输入神经网络模型，提取分子图的特征。
9.一种存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1-7中任意一项所述基于哈密顿量编码的分子图特征提取方法的步骤。
10.一种终端，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，其特征在于，处理器运行计算机指令时执行权利要求1-7中任意一项所述基于哈密顿量编码的分子图特征提取方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310273569.4A CN116153434B (zh) | 2023-03-20 | 2023-03-20 | 一种分子图特征提取方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310273569.4A CN116153434B (zh) | 2023-03-20 | 2023-03-20 | 一种分子图特征提取方法、装置、存储介质及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116153434A true CN116153434A (zh) | 2023-05-23 |
| CN116153434B CN116153434B (zh) | 2024-07-16 |
Family
ID=86340845
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310273569.4A Active CN116153434B (zh) | 2023-03-20 | 2023-03-20 | 一种分子图特征提取方法、装置、存储介质及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116153434B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170364362A1 (en) * | 2016-06-15 | 2017-12-21 | University Of Southern California | Nested quantum annealing correction |
| CN111373420A (zh) * | 2017-11-28 | 2020-07-03 | 国际商业机器公司 | 量子近似优化中的成本函数变形 |
| WO2021207847A1 (en) * | 2020-04-17 | 2021-10-21 | 1Qb Information Technologies Inc. | Methods and systems for quantum simulation of molecular and spin systems |
| CN114446383A (zh) * | 2022-01-24 | 2022-05-06 | 电子科技大学 | 一种基于量子计算的配体-蛋白相互作用的预测方法 |
| CN114444702A (zh) * | 2022-02-02 | 2022-05-06 | 上海图灵智算量子科技有限公司 | 变分量子线路实现伊辛求解的方法及实现伊辛模型的系统 |
| CN114565096A (zh) * | 2022-03-01 | 2022-05-31 | 中南大学 | 量子哈密顿学习方法、图像分割方法及车牌识别方法 |
| US20220300845A1 (en) * | 2021-03-19 | 2022-09-22 | International Business Machines Corporation | Mitigation of readout error in a quantum computation |
-
2023
- 2023-03-20 CN CN202310273569.4A patent/CN116153434B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170364362A1 (en) * | 2016-06-15 | 2017-12-21 | University Of Southern California | Nested quantum annealing correction |
| CN111373420A (zh) * | 2017-11-28 | 2020-07-03 | 国际商业机器公司 | 量子近似优化中的成本函数变形 |
| WO2021207847A1 (en) * | 2020-04-17 | 2021-10-21 | 1Qb Information Technologies Inc. | Methods and systems for quantum simulation of molecular and spin systems |
| CN115427981A (zh) * | 2020-04-17 | 2022-12-02 | 善好化学公司 | 用于分子和旋转系统的量子模拟的方法和系统 |
| US20220300845A1 (en) * | 2021-03-19 | 2022-09-22 | International Business Machines Corporation | Mitigation of readout error in a quantum computation |
| CN114446383A (zh) * | 2022-01-24 | 2022-05-06 | 电子科技大学 | 一种基于量子计算的配体-蛋白相互作用的预测方法 |
| CN114444702A (zh) * | 2022-02-02 | 2022-05-06 | 上海图灵智算量子科技有限公司 | 变分量子线路实现伊辛求解的方法及实现伊辛模型的系统 |
| CN114565096A (zh) * | 2022-03-01 | 2022-05-31 | 中南大学 | 量子哈密顿学习方法、图像分割方法及车牌识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| JAEHO CHOI ET AL: "A Tutorial on Quantum Graph Recurrent Neural Network", 《2021 INTERNATIONAL CONFERENCE ON INFORMATION NETWORKING (ICOIN)》, 2 February 2021 (2021-02-02) * |
| 闵春华;刘星泉;: "反对称化量子分子动力学模型", 计算机应用, no. 2, 31 December 2013 (2013-12-31) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116153434B (zh) | 2024-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109074518B (zh) | 多个本征值的量子相位估计 | |
| AU2023201068B2 (en) | Plane wave dual basis for quantum simulation | |
| EP3816873A1 (en) | Neural network circuit device, neural network processing method, and neural network execution program | |
| CN113707235A (zh) | 基于自监督学习的药物小分子性质预测方法、装置及设备 | |
| JP2021060992A (ja) | マシンラーニングシステム及び方法 | |
| Penkovsky et al. | Efficient design of hardware-enabled reservoir computing in FPGAs | |
| CN114418105B (zh) | 一种基于量子线路处理量子应用问题的方法及装置 | |
| CN114999565B (zh) | 一种基于表示学习和图神经网络的药物靶标亲和力预测方法 | |
| CN113222159B (zh) | 一种量子态的确定方法及装置 | |
| CN113222153B (zh) | 一种量子态的模拟方法、装置、存储介质和电子装置 | |
| CA3093634A1 (en) | Batching waveform data | |
| CN116153434B (zh) | 一种分子图特征提取方法、装置、存储介质及终端 | |
| CN113222160B (zh) | 一种量子态的转换方法及装置 | |
| CN113222151B (zh) | 一种量子态的变换方法及装置 | |
| CN117198427A (zh) | 一种分子生成方法、装置、电子设备及存储介质 | |
| CN116757290A (zh) | 一种变分量子-神经网络混合本征值解算器的实现方法、存储介质及终端 | |
| CN116313148A (zh) | 一种药物敏感性的预测方法、装置、终端设备及介质 | |
| CN116593980A (zh) | 雷达目标识别模型训练方法、雷达目标识别方法及装置 | |
| CN115910222A (zh) | 一种基于电子密度的分子建模、性质预测方法和系统 | |
| EP3750161A1 (en) | Techniques for obtaining accurate diagonal electronic structure hamiltonians | |
| Delgado et al. | Quantum Machine Learning Applications in High-Energy Physics | |
| CN116933879A (zh) | 一种量子态的确定方法及装置 | |
| Liu | Optimizing Lead Antibiotics by Machine Learning 15-300, Fall 2020 | |
| Kartashov et al. | Deep Learning for the Classification of Charge Density Plots of Lithium-Ion Cathode Materials | |
| JP2008242709A (ja) | ポルフィリン金属錯体の超分子構造によるオートマトン型計算を行なう計算方法 |
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 |