量子科技中心_量科网

结合能是决定分子相互作用的基础热力学特性，在医疗健康和自然科学领域具有关键作用，尤其在药物开发、疫苗设计等生物医学应用中备受关注。多年来，科研人员已开发出从实验技术到计算方法的多种蛋白质结合能预测手段，其中机器学习技术贡献显著。虽然经典计算机在构建预测模型方面已取得显著成果，但量子机器学习正在成为具有前景的新方向。量子神经网络（QNNs）作为研究热点备受关注，但其在结合能预测领域是否具备优势仍有待探索。为验证该技术潜力，本研究提出30种基于多层感知器的量子神经网络变体，涵盖三种架构类型，每种架构配置十种不同的量子线路来构建量子层。研究人员将量子模型与最先进的经典多层感知器人工神经网络进行性能对比，从预测精度和训练时间两个维度展开评估。实验采用主数据集进行训练，并选用两个包含全新样本的独立数据集进行测试。结果表明：量子模型在其中一个新数据集上实现了约20%的精度提升（尽管在其他数据集表现欠佳），其训练时间更比经典模型缩短数个数量级，充分彰显其在蛋白质结合能高效预测中的应用潜力。