这是本年度的最后一篇推文,主要写写量子计算以及总结一下之前的推文。
提前祝大家元旦快乐。
我之前也写了一些相关的量子计算的推文,已放置在文中,有兴趣的可以进行延展阅读。
相干伊辛机
相干伊辛机(Coherent Ising Machine, CIM)是一种基于实验物理学的计算机,用于解决组合优化问题,它使用相干光振荡器网络来模拟伊辛模型,实验室阶段目前能达到10万比特(2021年)。
以下是相干伊辛机的几个关键特点:
- 量子行为模拟:相干伊辛机使用光学或电子系统来模拟量子行为,尤其是量子比特(qubits)的性质。这些系统可以模拟量子叠加和量子耦合,这对于执行伊辛模型计算至关重要。
- 优化问题求解:CIM主要用于解决优化问题,如图形划分、旅行商问题等,它通过找到能量最低的状态来寻找问题的最优解。
- 量子退火技术:相干伊辛机通常利用一种称为量子退火的过程来逐步找到能量最低的状态。这种方法类似于退火算法,是一种模拟量子退火过程的计算技术。
- 光学和电子系统:CIM可以采用不同的实现方式,包括光学系统(如光学参量振荡器)和电子系统。这些系统能够模拟伊辛模型的动力学,并且可以利用量子行为来加速计算过程。
?
CIM适用的数学模型
QUBO,全称为Quadratic Unconstrained Binary Optimization,是一种特别设计用于量子计算的数学模型。它广泛应用于解决优化问题,尤其是在量子计算领域。
以下是QUBO的一些关键特点:
- 二元变量:QUBO问题中的变量是二元的,即它们的值只能是0或1。这一特性使得它特别适合用于量子比特(或qubits),这是量子计算的基本单位。
- 二次方程:QUBO模型的目标函数是一个二次方程,通常表示为二元变量的线性和二次组合。这种形式使其适用于各种优化问题,包括图形理论、机器学习、金融模型等。
- 无约束优化:正如名称所示,QUBO问题是无约束的,意味着它不受任何外部条件或限制的影响。然而,可以通过适当调整目标函数来间接地加入某些约束。
- 量子退火:QUBO问题通常是通过量子退火解决的。量子退火是一种量子算法,通过逐渐降低量子系统的能量来寻找问题的最优解。
- 广泛应用:QUBO是解决各种复杂优化问题的有效工具。它在金融、物流、生物信息学、机器学习等领域都有应用。
量子计算中的QUBO模型利用量子比特的独特性质,如叠加和纠缠,来寻找问题的最优解,这在传统计算机上可能非常耗时或不可行。随着量子计算技术的发展,QUBO模型的应用前景日益广阔。
Ising model和QUBO之间的联系可以参考以下推文:
量子计算-P1.Ising Model与QUBO
量子计算-P2.PyQUBO使用-Number Partitioning Problem
量子计算-P3.PyQUBO使用-Max Cut 问题
量子计算与分子对接
量子计算和分子对接的关系,之前写过一些,可以参考以下推文,这篇文章主要描述了关于高斯玻色采样(Gaussian Boson Sampling,GBS)的在分子对接上的应用。
分子对接与量子计算
其尝试将分子对接问题转化为一个求最大权重团之间的问题:
在这个最大权重团中:
- 节点:一个配体原子,一个受体氨基酸
- 边:是否两个节点之间的几何形状可以形成恰当的interaction
- 权重:基于知识的打分函数,权重在节点上
可以参考之前的推文:
但是就像先前描述的,其缺点也非常明显:
- 没有经过数据集的测试,所以,距离实用化还差一些距离
- 其模型更像一个打分函数,而并非整体的对接软件
以下文章是对其的优化:
将分子对接问题,转化为一个图匹配问题。首先在受体口袋生成一个Grid Box或者其余的特征点,随后使用配体原子与这些点一一匹配,使用QUBO查验出其最合适的匹配方式,而由于其点上可能已经存储了相关能量,所以最好的匹配也是能量最有的解。
与上述文章相比,本文的一些改善:
- 较强的拓展性,可以加入一些其余的限制性条件,后续可以加入额外的score function
- 输出POSE,yeap,GBS的文章甚至不能输出3D pose
- 基于CIM的比特数优势,后期可以计算更为庞大的分子以及更加精准的计算
参考
- 100,000-spin coherent Ising machine: https://www.science.org/doi/10.1126/sciadv.abh0952
- QUBO: https://en.wikipedia.org/wiki/Quadratic_unconstrained_binary_optimization
- GBS:Banchi L, Fingerhuth M, Babej T, Ing C, Arrazola JM. Molecular docking with Gaussian Boson Sampling. Sci Adv. 2020 Jun 5;6(23):eaax1950. doi: 10.1126/sciadv.aax1950. PMID: 32548251; PMCID: PMC7274809.