論文の概要: Towards molecular docking with neutral atoms
- arxiv url: http://arxiv.org/abs/2402.06770v1
- Date: Fri, 9 Feb 2024 20:13:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 19:18:05.459022
- Title: Towards molecular docking with neutral atoms
- Title（参考訳）: 中性原子との分子ドッキングに向けて
- Authors: Mathieu Garrigues, Victor Onofre, No\'e Bosc-Haddad
- Abstract要約: 分子ドッキング問題を、物理中性原子量子プロセッサにおける単位ディスクグラフ上の最大ウェイト独立セット問題であるグラフ問題にマッピングする。
複数のグラフの結果が示され、分子ドッキング問題の小さな事例が解決される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: New computational strategies, such as molecular docking, are emerging to
speed up the drug discovery process. This method predicts the activity of
molecules at the binding site of proteins, helping to select the ones that
exhibit desirable behavior and rejecting the rest. However, for large chemical
libraries, it is essential to search and score configurations using fewer
computational resources while maintaining high precision. In this work, we map
the molecular docking problem to a graph problem, a maximum-weight independent
set problem on a unit-disk graph in a physical neutral atom quantum processor.
Here, each vertex represents an atom trapped by optical tweezers. The
Variational Quantum Adiabatic Algorithm (VQAA) approach is used to solve the
generic graph problem with two optimization methods, Scipy and Hyperopt.
Additionally, a machine learning method is explored using the adiabatic
algorithm. Results for multiple graphs are presented, and a small instance of
the molecular docking problem is solved, demonstrating the potential for
near-term quantum applications.
- Abstract（参考訳）: 分子ドッキングのような新しい計算戦略が登場し、薬物発見プロセスのスピードアップが図られている。
この方法はタンパク質の結合部位における分子の活性を予測し、望ましい挙動を示す分子を選択し、残りの分子を拒絶する。
しかし,大規模な化学図書館では,高い精度を維持しつつ,少ない計算資源で構成を検索しスコア付けすることが不可欠である。
本研究では、分子ドッキング問題を、物理中性原子量子プロセッサにおける単位-ディスクグラフ上の最大重み付き独立集合問題であるグラフ問題にマッピングする。
ここでは、各頂点は光学的ツイーザーによって閉じ込められた原子を表す。
変分量子断アルゴリズム(vqaa)アプローチは、2つの最適化法であるscipyとhyperoptを用いて一般グラフ問題を解決するために用いられる。
さらに, adiabaticアルゴリズムを用いて機械学習手法を検討する。
複数のグラフの結果が示され、分子ドッキング問題の小さな例が解決され、近い将来の量子応用の可能性を示している。
関連論文リスト
- Quantum Information Processing with Molecular Nanomagnets: an introduction [49.89725935672549]
本稿では,量子情報処理の導入について紹介する。
量子アルゴリズムを理解し設計するための基本的なツールを紹介し、分子スピンアーキテクチャ上での実際の実現を常に言及する。
分子スピンキュートハードウェア上で提案および実装された量子アルゴリズムの例を示す。
論文 参考訳（メタデータ） (2024-05-31T16:43:20Z) - Molecular unfolding formulation with enhanced quantum annealing approach [0.0]
分子展開問題は分子内の原子間距離を増加させるねじれ構造を見つけることを目的としている。
量子アニール法はまずこの問題を高階非制約二項最適化(HUBO)方程式にエンコードする。
結果のHUBOは、二次非制約二項最適化方程式(QUBO)に変換される。
論文 参考訳（メタデータ） (2024-03-01T13:09:46Z) - ATOM: An Efficient Topology Adaptive Algorithm for Minor Embedding in
Quantum Computing [18.594343052664335]
ハードウェアグラフの拡張可能な部分グラフである適応トポロジーの新たな概念を導入する。
ATOMは論理グラフからノードを反復的に選択し、ハードウェアグラフの適応トポロジーに埋め込む。
実験の結果、ATOMは最先端技術よりもはるかに少ない実行時間で実現可能な埋め込みを実現することができることがわかった。
論文 参考訳（メタデータ） (2023-07-04T17:45:07Z) - A hybrid quantum-classical algorithm for multichannel quantum scattering
of atoms and molecules [62.997667081978825]
原子と分子の衝突に対するシュリンガー方程式を解くためのハイブリッド量子古典アルゴリズムを提案する。
このアルゴリズムはコーン変分原理の$S$-matrixバージョンに基づいており、基本散乱$S$-matrixを計算する。
大規模多原子分子の衝突をシミュレートするために,アルゴリズムをどのようにスケールアップするかを示す。
論文 参考訳（メタデータ） (2023-04-12T18:10:47Z) - Ab-initio quantum chemistry with neural-network wavefunctions [2.3306857544105686]
分子科学における機械学習の主な応用は、ポテンシャルエネルギー表面や力場を学習することである。
本稿では,ニューラルネットワークアンサッツ関数を用いた量子モンテカルロ法(QMC)に着目し,電子式Schr"odingerの解法を提案する。
論文 参考訳（メタデータ） (2022-08-26T11:33:31Z) - From Quantum Graph Computing to Quantum Graph Learning: A Survey [86.8206129053725]
まず、量子力学とグラフ理論の相関関係について、量子コンピュータが有用な解を生成できることを示す。
本稿では,その実践性と適用性について,一般的なグラフ学習手法について概説する。
今後の研究の触媒として期待される量子グラフ学習のスナップショットを提供する。
論文 参考訳（メタデータ） (2022-02-19T02:56:47Z) - Quantum Molecular Unfolding [0.5677685109155078]
分子ドッキング法の1つの特定の段階、すなわち分子展開(MU)に焦点を当てる。
MU問題の目的は、分子領域を最大化する構成、または分子内部の原子間の内部距離を最大化する構成を見つけることである。
HUBO(High-order Unconstrained Binary Optimization)として定式化して、MUに対する量子アニール法を提案する。
量子異方体を用いて得られた結果と性能を古典的解法の状態と比較した。
論文 参考訳（メタデータ） (2021-07-28T19:28:28Z) - Computing molecular excited states on a D-Wave quantum annealer [52.5289706853773]
分子系の励起電子状態の計算にD波量子アニールを用いることを実証する。
これらのシミュレーションは、太陽光発電、半導体技術、ナノサイエンスなど、いくつかの分野で重要な役割を果たしている。
論文 参考訳（メタデータ） (2021-07-01T01:02:17Z) - Variational quantum algorithm for molecular geometry optimization [0.0]
分子の最も安定な構造を見つけるための変分量子アルゴリズムを提案する。
分子の平衡幾何学は、より一般的なコスト関数を最小化することによって得られる。
全ての量子シミュレーションは、量子微分可能プログラミングのためのペニーレーンライブラリを用いて実行される。
論文 参考訳（メタデータ） (2021-06-25T18:34:44Z) - Advanced Graph and Sequence Neural Networks for Molecular Property
Prediction and Drug Discovery [53.00288162642151]
計算モデルや分子表現にまたがる包括的な機械学習ツール群であるMoleculeKitを開発した。
これらの表現に基づいて構築されたMoeculeKitには、ディープラーニングと、グラフとシーケンスデータのための従来の機械学習方法の両方が含まれている。
オンラインおよびオフラインの抗生物質発見と分子特性予測のタスクの結果から、MoneculeKitは以前の方法よりも一貫した改善を実現していることがわかる。
論文 参考訳（メタデータ） (2020-12-02T02:09:31Z) - ASGN: An Active Semi-supervised Graph Neural Network for Molecular
Property Prediction [61.33144688400446]
本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。
教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。
最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
論文 参考訳（メタデータ） (2020-07-07T04:22:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。