采用量子计算的分子筛选方法及相关装置
申请人信息
- 申请人:合肥微观纪元数字科技有限公司
- 申请人地址:230000 安徽省合肥市高新区望江西路5089号中国科学技术大学先进技术研究院嵌入式研发楼220室
- 发明人: 合肥微观纪元数字科技有限公司
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 采用量子计算的分子筛选方法及相关装置 |
| 专利类型 | 发明授权 |
| 申请号 | CN202311744609.5 |
| 申请日 | 2023/12/19 |
| 公告号 | CN117423379B |
| 公开日 | 2024/3/15 |
| IPC主分类号 | G16B15/00 |
| 权利人 | 合肥微观纪元数字科技有限公司 |
| 发明人 | 吕川; 张晓星; 李世博; 管佳明; 徐敏捷; 郑跃强 |
| 地址 | 安徽省合肥市高新区望江西路5089号中国科学技术大学先进技术研究院嵌入式研发楼220室 |
摘要文本
本公开涉及一种采用量子计算的分子筛选方法及相关装置，该方法包括：获取待筛选分子的分子结构数据，并从待筛选分子中选取目标分子；接收量子计算机发送的目标分子的分子特性数据，并基于目标分子的分子特性数据和分子结构数据对预设机器学习模型预设的机器学习模型进行训练，得到满足预设训练条件的机器学习模型；利用满足预设训练条件的机器学习模型计算待筛选分子的分子特性数据，并基于待筛选分子的分子特性数据从待筛选分子中选取候选分子；将候选分子的分子结构数据发送至量子计算机，接收量子计算机发送的候选分子的分子特性数据，并基于候选分子的分子特性数据从候选分子中选取分子作为筛选出的分子。
专利主权项内容
1.一种采用量子计算的分子筛选方法，其特征在于，所述方法包括：获取待筛选分子的分子结构数据，并从所述待筛选分子中选取部分分子作为目标分子；将所述目标分子的分子结构数据发送至量子计算机，并在所述量子计算机基于所述目标分子的分子结构数据计算出所述目标分子的分子特性数据后，接收所述量子计算机发送的所述目标分子的分子特性数据，并基于所述目标分子的分子特性数据和分子结构数据对预设的机器学习模型进行训练，得到满足预设训练条件的机器学习模型，所述预设的机器学习模型为深度神经网络模型，所述深度神经网络模型包括依次连接的嵌入层、输入层、第一全连接层、第一ReLU激活层、第二全连接层、第二ReLU激活层、第三全连接层、第三ReLU激活层以及输出层；利用所述满足预设训练条件的机器学习模型计算所述待筛选分子的分子特性数据，并基于所述待筛选分子的分子特性数据从所述待筛选分子中选取满足第一预设条件的分子作为候选分子；将所述候选分子的分子结构数据发送至量子计算机，并在所述量子计算机基于所述候选分子的分子结构数据计算出所述候选分子的分子特性数据后，接收所述量子计算机发送的所述候选分子的分子特性数据，并基于所述候选分子的分子特性数据从所述候选分子中选取满足第二预设条件的分子作为筛选出的分子；其中，所述目标分子的分子特性数据为结合能，用于训练所述预设的机器学习模型的分子结构数据包括简化分子线性输入规范式和分子指纹，所述基于所述目标分子的分子特性数据和分子结构数据对预设的机器学习模型进行训练，得到满足预设训练条件的机器学习模型，包括：将所述目标分子的简化分子线性输入规范式和分子指纹输入预设的机器学习模型，得到输出的结合能；基于所述输出的结合能以及所述量子计算机计算出的所述目标分子的结合能计算预设损失函数的损失函数值；基于所述损失函数值以及梯度下降算法对所述预设的机器学习模型的参数进行更新，得到更新后的机器学习模型；在满足预设训练条件时，停止对所述机器学习模型的参数进行更新，将最后更新后的机器学习模型作为满足预设训练条件的机器学习模型。 微信公众号马克数据网