使用 Dynex 平臺找到 HIV 病毒和菸草淡綠花葉病毒 RNA 序列的最佳莖結構。該示例採用 RNA 序列並應用二次模型來追求最佳莖配置。
參考dynex用例原文：
https://github.com/dynexcoin/DynexSDK/blob/main/example_rna_folding.ipynb
量子算法貢獻者：
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9022793/pdf/pcbi.1010032.pdf
知識背景:這是量子計算機算法
量子計算機上運行的程序，並非全都具有所謂的“量子優勢”，其中很多其實可以用經典計算機模擬的，這些高效模擬量子計算過程的方法就衍生出一批“量子啟發式算法”(Quantum Inspired Algorithm)，比方說從量子絕熱演化定理(Quantum Adiabatic Theorem)衍生出來了模擬分岔算法（Simulated Bifurcation），這是經典計算機上運行的算法，最近幾年在組合優化領域大殺四方。
不過，也有一些量子計算過程是難以用經典計算機模擬的（如Shor算法），其中一個關鍵的特徵就是要利用量子糾纏。在凝聚態物理領域，人們發現對於糾纏很強烈的“量子多體系統”，經典計算機上的仿真非常困難，目前比較有效的是張量網絡算法，但也受到問題規模的限制。對於帶有強烈糾纏的系統，一般認為難以用經典計算機模擬。
量子糾纏含量評估
RNA 分子的 3 維摺疊很大程度上取決於鹼基之間分子內氫鍵的模式。從序列預測鹼基配對網絡，也稱為 RNA 二級結構預測或 RNA 摺疊，是一個非確定性多項式時間 (NP) 完全計算問題。分子的結構可以強烈預測其功能和生化特性，因此準確預測結構的能力是生物化學家的重要工具。已經提出了許多方法來有效地採樣可能的二級結構模式。經典方法採用動態編程，最近的研究探索了受進化和機器學習算法啟發的方法。這項工作演示了利用量子計算硬件來預測 RNA 的二級結構。導出以二元二次模型 (BQM) 形式編寫的哈密頓量，以驅動系統最大化連續鹼基對的數量，同時共同最大化莖的平均長度。將量子退火器 (QA) 與使用相同目標函數編程的複製交換蒙特卡羅 (REMC) 算法進行比較，結果表明 QA 在快速識別低能耗解決方案方面具有很強的競爭力。
量子糾纏偵查
迄今為止，量子計算機（QC） 主要有兩種模型：門模型和量子退火。門模型量子器件具有廣泛的應用範圍，最常用於量子化學和量子機器學習計算。D-Wave 公司首創的另一種設計是 QA。與門模型 QC 的眾多應用相比，QA 的範圍要窄得多，並且只專注於通過最小化問題哈密頓量來優化問題的解決方案。迄今為止，已經構建了包含數千個量子位的 QA，並且這些設備能夠解決足夠大的離散組合優化問題，以允許針對現實世界的工業用例進行測試。QA 不是由量子算子序列編程，而是被設計為以方程 的形式對二次哈密頓量進行退火。
本研究原型中使用的 D-Wave QA 是一個包含大約 5,000 個量子位的模擬設備。該器件通過設置局部磁場和耦合強度的值來編程，並且退火過程通過絕熱降低橫向磁場的強度來進行。該設計類似於伊辛哈密頓量的模擬退火，主要區別在於退火過程避免通過量子隧道而不是熱波動陷入局部最小值，並且跳出局部最小值的概率由寬度決定障礙的大小而不是高度。
當前在量子設備上執行計算的方法需要在經典設備上預先計算相互作用項，並通過專門的 API 讀入量子設備。該程序是使用 D-Wave 系統提供的 python 庫構建和執行的。dimod 0.9.10 python 庫中的 BinaryQuadraticModel 類用於根據經典準備的數據構建模型，並將其轉換為與量子設備兼容的數據結構。一體和二體交互項已預先計算，存儲在 numpy 數組中，並連同偏移量 0.0 作為 dimod.BINARY 表示傳遞到 BinaryQuadraticModel 實例中。該模型是使用 dwave.system python 庫中的 LeapHybridSampler 類執行的。為求解器分配了 3 秒的執行時間。選擇具有最低相關特徵值的本徵態來表示模擬結果。
本研究遷移到Dynex
Dynex SDK提供了神經形態/QUBO採樣器，可以從任何Python代碼中調用。開發人員和應用程序開發人員已經熟悉DIMOD框架將發現在Dynex神經形態計算平臺上運行計算非常容易：Dynex Sampler對象可以簡單地替換默認的採樣器對象，該對象通常用於運行計算，例如，例如D-wave系統,且沒有量子機的侷限性。
