量子行走和深度学习解决蛋白质折叠

蛋白质折叠的问题是计算生物化学中最重要和最艰巨的任务之一。最近，事实证明，深度学习模型(例如AlphaFold)比经典技术在此任务中更有效。

量子计算的可能进展可能有助于进一步改进当前算法。在arXiv.org上发表的一项研究介绍了QFold，它是一种以机器学习输出为起点的量子都会算法的实现。

建议的模型根据实际扭转角度描述蛋白质，而不是使用近似的刚性晶格模型。一旦大型纠错量子计算机可用，就可以达到良好的精度。同样，计算所需的时间将大大缩短。概念验证已在实际的量子硬件上成功实现，从而验证了这项工作。

我们开发了量子计算工具来预测蛋白质在3D中的折叠方式，这是当前生化研究中最重要的问题之一。我们将说明如何将最新的深度学习进展与应用于Metropolis算法的众所周知的量子行走技术相结合。结果QFold是一种完全可扩展的混合量子算法，与以前的量子方法相比，它不需要简化晶格模型，而是依赖于更实际的氨基酸扭角假设。我们将其与不同退火时间表的经典模拟进行比较，发现多项式量子优势，并验证IBMQ Casablanca量子处理器中量子大都市的概念验证实现。