Dynex 플랫폼을 사용하여 HIV 및 담배 녹색 모자이크 바이러스 RNA 서열에 대한 최적의 줄기 구조를 찾으십시오. 이 예에서는 RNA-seq을 사용하고 2차 모델을 적용하여 최적의 줄기 구성을 추구합니다.
dynex 사용 사례의 원본 텍스트를 참조하세요.
https://github.com/dynexcoin/DynexSDK/blob/main/example_rna_folding.ipynb
양자 알고리즘 기여자:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9022793/pdf/pcbi.1010032.pdf
지식 배경: 양자 컴퓨터 알고리즘입니다.
양자 컴퓨터에서 실행되는 모든 프로그램이 소위 "양자 이점"을 갖는 것은 아닙니다. 양자 컴퓨팅 프로세스를 효율적으로 시뮬레이션하는 이러한 방법은 실제로 많은 "양자 영감 알고리즘"을 파생했습니다. 예를 들어, 시뮬레이션된 분기 알고리즘(Simulated Bifurcation Algorithm)은 양자 단열 정리(Quantum Adiabatic Theorem)에서 파생됩니다. Bifurcation)은 클래식 컴퓨터에서 실행되는 알고리즘으로 최근 몇 년 동안 조합 최적화 분야에서 큰 관심을 불러일으켰습니다.
그러나 Shor의 알고리즘과 같은 기존 컴퓨터로 시뮬레이션하기 어려운 일부 양자 컴퓨팅 프로세스도 있습니다. 응집 물질 물리학 분야에서 사람들은 고전적인 컴퓨터에서 강한 얽힘이 있는 "양자 다체 시스템"을 시뮬레이션하는 것이 매우 어렵다는 것을 발견했습니다. 현재 더 효과적인 것은 텐서 네트워크 알고리즘이지만 이는 또한 다음으로 제한됩니다. 문제의 규모. 강한 얽힘이 있는 시스템은 일반적으로 클래식 컴퓨터를 사용하여 시뮬레이션하기 어려운 것으로 간주됩니다.
양자 얽힘 내용 평가
RNA 분자의 3차원 접힘은 염기 사이의 분자 내 수소 결합 패턴에 크게 좌우됩니다. RNA 2차 구조 예측 또는 RNA 접힘이라고도 알려진 서열에서 염기쌍 네트워크를 예측하는 것은 비결정적 다항식 시간(NP) 완전 계산 문제입니다. 분자의 구조는 그 기능과 생화학적 특성을 강력하게 예측하므로 구조를 정확하게 예측하는 능력은 생화학자에게 중요한 도구입니다. 가능한 2차 구조 패턴을 효율적으로 샘플링하기 위해 많은 방법이 제안되었습니다. 고전적 접근 방식은 동적 프로그래밍을 사용하며, 최근 연구에서는 진화 및 머신러닝(ML) 알고리즘에서 영감을 받은 방법을 탐구합니다. 이 연구는 양자 컴퓨팅 하드웨어를 사용하여 RNA의 2차 구조를 예측하는 방법을 보여줍니다. BQM(Binary Quadratic Model) 형태로 작성된 해밀턴은 줄기의 평균 길이를 공동으로 최대화하는 동시에 연속 염기쌍의 수를 최대화하도록 시스템을 구동하기 위해 파생됩니다. 동일한 목적 함수로 프로그래밍된 REMC(Replica Exchange Monte Carlo) 알고리즘과 양자 어닐러(QA)를 비교한 결과, QA는 저에너지 솔루션을 신속하게 식별하는 데 매우 경쟁력이 있음을 보여줍니다.
양자 얽힘 조사
지금까지 양자 컴퓨터(QC)에는 게이트 모델과 양자 어닐링이라는 두 가지 주요 모델이 있습니다. 게이트 모델 양자 장치는 광범위한 응용 분야를 갖고 있으며 양자 화학 및 양자 머신러닝(ML) 계산에 가장 일반적으로 사용됩니다. D-Wave가 개척한 또 다른 디자인은 QA입니다. 게이트 모델 QC의 많은 응용 프로그램에 비해 QA는 범위가 훨씬 좁으며 해밀턴 문제를 최소화하여 문제에 대한 솔루션을 최적화하는 데만 중점을 둡니다. 현재까지 수천 개의 큐비트를 포함하는 QA가 구축되었으며 이러한 장치는 실제 산업 사용 사례에 대해 테스트할 수 있을 만큼 충분히 큰 개별 조합 최적화 문제를 해결할 수 있습니다. QA는 일련의 양자 연산자에 의해 프로그래밍되는 대신 방정식의 형태로 2차 해밀턴을 어닐링하도록 설계되었습니다.
이 연구 프로토타입에 사용된 D-Wave QA는 약 5,000큐비트를 포함하는 아날로그 장치입니다. 국부적인 자기장과 결합세기에 대한 값을 설정하여 장치를 프로그래밍하고, 횡자기장의 세기를 단열적으로 감소시켜 어닐링 과정을 진행한다. 설계는 Ising Hamiltonian의 시뮬레이션된 어닐링과 유사합니다. 주요 차이점은 어닐링 프로세스가 열 변동이 아닌 양자 터널을 통해 로컬 최소값에 갇히는 것을 방지하고 로컬 최소값에서 벗어날 확률은 다음에 의해 결정됩니다. 높이가 아닌 장애물의 너비.
양자 장치에서 계산을 수행하는 현재 방법에서는 상호 작용 항을 기존 장치에서 미리 계산하고 특수 API를 통해 양자 장치로 읽어야 합니다. 프로그램은 D-Wave 시스템에서 제공하는 Python 라이브러리를 사용하여 빌드되고 실행됩니다. dimod 0.9.10 Python 라이브러리의 BinaryQuadraticModel 클래스는 고전적으로 준비된 데이터에서 모델을 구축하고 이를 양자 장치와 호환되는 데이터 구조로 변환하는 데 사용됩니다. 1체 및 2체 상호 작용 용어는 미리 계산되어 numpy 배열에 저장되고 오프셋 0.0과 함께 dimod.BINARY 표현으로 BinaryQuadraticModel 인스턴스에 전달됩니다. 모델은 dwave.system Python 라이브러리의 LeapHybridSampler 클래스를 사용하여 실행됩니다. 솔버에는 3초의 실행 시간이 할당됩니다. 시뮬레이션 결과를 나타내기 위해 관련 고유값이 가장 낮은 고유상태가 선택됩니다.
이 연구를 Dynex로 마이그레이션
Dynex SDK는 모든 Python 코드에서 호출할 수 있는 뉴로모픽/QUBO 샘플러를 제공합니다. DIMOD 프레임 에 이미 익숙한 개발자와 애플리케이션 개발자는 Dynex 뉴로모픽 컴퓨팅 플랫폼에서 계산을 실행하는 것이 매우 쉽다는 것을 알게 될 것입니다. Dynex 샘플러 개체는 D-wave와 같은 계산을 실행하는 데 일반적으로 사용되는 기본 샘플러 개체를 간단히 대체할 수 있습니다. 양자 기계의 한계가 없는 시스템.
