LANL の新しい研究により、量子物理学、化学、機械学習を組み合わせて医薬品設計の予測モデルを作成

量子物理学内の多くの方程式は、化学相互作用を調べている研究者を導くのに役立ちます。 量子物理学と 化学 同じ原子レベルで動作するため、新しい結果を達成するために互いに連携して使用されることがよくあります。 最近、 Los Alamos National Laboratory (LANL) を追加することで、このペアリングをさらに一歩進めました。 機械学習 分子シミュレーションにおける生化学的相互作用の予測に役立つプロセス。 これにより、医薬品設計やその他の業界シナリオのステップを加速し、長期的に医薬品をより安全かつ迅速にすることができます。

データセットに機械学習を使用する

すでに機械学習プロセスが行われています 適用された 量子コンピューティングと量子物理学へ。 機械学習は大量のデータからパターンを予測して作成するため、量子物理学や化学など、流動的な部分が多い分野に役立ちます。 LANLの研究者によると ベンジャミン・ネブゲン: 「化学および材料科学の分野で機械学習 (ML) 手法が登場する前は、化学および材料システムの最大の実用的なシミュレーションは、数千原子に制限されていました。 これは小さすぎて、粒子経路やまれな反応経路などの化学的または材料的特性を決定する多くの効果を正確に捉えることができません。」 機械学習の利点のおかげで、研究者は、量子物理学や化学に焦点を当てたシナリオなど、より複雑なシナリオをシミュレーションで研究できます。

新しいものを設計する科学者のために 薬物 または化学反応を研究する場合、量子レベルで電子に何が起こっているかを完全に理解することが重要です。 「電子と原子核の動きは、私たちの現代の存在を定義するほぼすべての化学的および材料的特性を制御します」とネブゲンは言いました。 「これには、私たちが服用する薬から、毎日使用する家庭用洗剤から、自分の車やトラックの燃料まで、あらゆるものの化学が含まれます。 さらに、私たちの車、家、道具、航空機、および私たちが日常的にやり取りするほぼすべてのものを構成する材料の特性は、同じ基礎となる物理学によって制御されています。」 これにより、研究者は分子の相互作用を基本的なレベルでより深く調べることができます。 ただし、このレベルに達すると、より複雑な計算が必要になります。 「ニュートンの方程式に入る個々の原子に作用する力は、本質的に量子である電子の運動に由来します」とネブゲンは説明しました。 「したがって、電子はシュレディンガー方程式で処理する必要があり、これは解決するのがはるかに困難な数学的問題です。」

LANL は機械学習を使用してモデルを作成します

これらの困難な方程式を克服するために、Nebgen のような研究者は機械学習ツールを利用しています。 これらのツールは、システム内の最も重要な電子のいくつかだけに焦点を当てることで、化学シミュレーションを加速できる、と Nebgen は付け加えた。 ニューラル ネットワークと呼ばれる機械学習ツールを使用して、Nebgen と彼のチームは、 予測モデル 分子内の可能な電子状態とそれらに関連するエネルギーの。 そこから、チームはさまざまな入力が与えられた場合のシミュレーションの可能な結果の一部を正確に予測できました。 新薬の設計とテストに何百万ドルも費やしているバイオテクノロジー企業にとって、このような予測モデルは多くの費用対効果の高いメリットをもたらす可能性があります。 製薬業界で機械学習を使用することは新しいことではありませんが、機械学習を量子コンピューティングの力と組み合わせることで、将来の医薬品の発売に必要な次世代の技術が生み出される可能性があります。

Kenna Hughes-Castleberry は、Inside Quantum Technology のスタッフ ライターであり、JILA (コロラド大学ボルダー校と NIST のパートナーシップ) のサイエンス コミュニケーターです。 彼女の執筆活動には、ディープ テクノロジー、メタバース、量子テクノロジーが含まれます。