LANL 的新研究通过结合量子物理、化学和机器学习为药物设计创建预测模型

量子物理学中的许多方程式有助于指导研究化学相互作用的研究人员。 作为量子物理学和 化学 在相同的原子水平上工作，它们经常相互串联使用以取得新的结果。 最近，研究人员在 洛斯阿拉莫斯国家实验室 (LANL) 通过添加 机器学习 帮助预测分子模拟中生化相互作用的过程。 这反过来可能有助于加快药物设计和其他行业场景的步骤，从长远来看使药物更安全、更快捷。

对数据集使用机器学习

机器学习过程已经在 应用的 到量子计算和量子物理学。 由于机器学习从大量数据中预测和创建模式，因此它对量子物理或化学等具有大量动态片段的领域很有帮助。 根据 LANL 研究员的说法 本杰明·内布根：“在化学和材料科学领域出现机器学习 (ML) 方法之前，化学和材料系统的最大实际模拟最多只有几千个原子。 这太小了，无法准确捕捉许多决定化学或材料特性的影响，例如颗粒路径或稀有反应路径。” 得益于机器学习的优势，研究人员可以在模拟中研究更复杂的场景，包括那些专注于量子物理和化学的场景。

对于科学家设计新的 毒品 或研究化学反应，重要的是要充分了解电子在量子水平上发生的情况。 “电子和原子核的运动几乎控制着定义我们现代存在的所有化学和材料特性，”Nebgen 说。 “这包括一切的化学成分，从我们服用的药物、我们每天使用的家用清洁剂，到我们自己的汽车和卡车中的燃料。 此外，构成我们汽车、房屋、工具、飞机以及我们日常接触的几乎所有事物的材料特性都由相同的基础物理学控制。” 这使研究人员能够在基础层面更深入地探究分子的相互作用。 然而，一旦达到这个水平，就会出现更复杂的数学问题。 “牛顿方程中作用在单个原子上的力来自电子的运动，电子本质上是量子的，”Nebgen 解释道。 “因此，电子必须用薛定谔方程来处理，这是一个更具挑战性的数学问题。”

LANL 使用机器学习来创建模型

为了克服这些困难的方程式，像 Nebgen 这样的研究人员正在使用机器学习工具。 Nebgen 补充说，这些工具可以通过只关注系统中几个最重要的电子来加速化学模拟。 使用称为神经网络的机器学习工具，Nebgen 和他的团队能够制作一个 预测模型 分子内可能的电子状态及其相关能量。 从那里，团队可以准确地预测在给定不同输入的情况下模拟的一些可能结果。 对于花费数百万美元设计和测试新药的生物技术公司来说，像这样的预测模型可以带来许多具有成本效益的好处。 虽然在制药行业使用机器学习并不新鲜，但将其与量子计算的力量相结合可能会创造出推出未来药物所需的下一代技术。

Kenna Hughes-Castleberry 是 Inside Quantum Technology 的特约撰稿人和 JILA（科罗拉多大学博尔德分校与 NIST 的合作机构）的科学传播者。 她的写作节奏包括深度技术、元宇宙和量子技术。