我国首创量子边编码技术：本源悟空验证可靠性填补研究空白

8月8日消息，由本源量子联合中国科学技术大学、合肥综合性国家科学中心人工智能研究院共同研发的量子嵌入图神经网络架构（QEGNN）取得重大突破。这项创新技术显著提升了药物性质预测的准确率，特别是在HIV抗病毒药物筛选中，准确率从原先的73%大幅提升至97%。

据悉，该架构创新性地融入了全球首创的量子边编码技术（QEEM）和量子节点嵌入模式（QNEM），成功填补了量子图神经网络研究领域的空白。这项技术首次实现了在量子层面对原子与化学键的同步处理，相关研究成果已发表在化学信息学领域的权威期刊《Journal of Chemical Information and Modeling》上，论文题为"Quantum-Embedded Graph Neural Network Architecture for Molecular Property Prediction"。

研究团队开创的量子边编码技术能够对分子化学键进行量子编码，从而在量子层面处理原子间的相互作用；而量子节点嵌入模式则可以对分子原子信息进行量子编码，使量子计算机能够准确理解原子特性。这两项创新技术完美融入量子嵌入图神经网络架构，大幅提升了分子行为预测的精确度和药物研发效率。

研究团队在三个重要的药物相关数据集上对这项技术进行了验证测试，结果显示：除了HIV抗病毒药物筛选准确率显著提升外，阿尔茨海默病药物预测准确率也从64%提升至70%，ClinTox分子毒性预测准确率由80%提升至87%。

值得一提的是，团队还在我国第三代自主超导量子计算机"本源悟空"上进行了实验验证。尽管存在量子噪声的影响，该量子模型的准确率仍能维持在80%左右，充分证明了这项技术在当前量子计算条件下的实用性和可靠性。

目前，基于该项技术开发的药物毒性预测应用已正式上线"本源量子计算云平台"，并以"本源悟空"作为计算后端提供服务。

相关资源链接：
论文链接：https://pubs.acs.org/doi/10.1021/acs.jcim.5c01019
药物毒性预测应用：https://qcloud.originqc.com.cn/app/application/toxicityPrediction