一种预测分子性质的方法及装置与流程

本发明属于量子计算，特别是一种预测分子性质的方法及装置。

背景技术：

1、传统的药物分子性质预测方法主要依靠提取分子指纹或人为设计的特征，然后与机器学习算法结合使用。为了捕捉当前任务所需的特征，这类分子表征本身就带有领域专家的偏见。为了超越这种偏见，采用更通用的方法，不同类型的机器学习算法被引入到分子性质预测领域。由于计算能力的加快，大型数据集的可用性越来越高，以及在自然语言处理和模式识别等相关领域的巨大成功，深度学习算法被寄以厚望。这些不同类型的网络模型能够以自动化的方式学习特定任务的表征，因此可以消除复杂的特征提取过程。为了使用深度学习算法，规避特定领域的特征工程，需要为分子找到合适的表示方法，图神经网络方法应运而生。

2、利用经典图神经网络模型解决药物分子性质预测问题的难点在于特征提取和数据处理过程的复杂度高、训练过程中参数众多、预测准确度低等，而利用量子计算在计算能力方面具有巨大潜力，与经典计算机相比，信息处理量愈多，实施运算也愈加有利，也更能确保运算的精准性。现阶段，如何利用量子技术预测分子性质成为一个亟待解决的问题。

技术实现思路

1、本发明的目的是提供一种预测分子性质的方法及装置，以解决现有技术中的不足，它通过量子线路实现分子性质的预测，利用量子的相关特性，提高计算速度和计算精确度。

2、本技术的一个实施例提供了一种预测分子性质的方法，所述方法包括：

3、获得待预测分子，并确定所述待预测分子的图数据，所述图数据中包括待预测分子的节点特征向量和边特征向量；

4、构建用于特征向量优化的目标量子线路；

5、利用所述目标量子线路，将所述待预测分子的节点特征向量和边特征向量转换为高维特征向量，并对所述高维特征向量进行特征融合，得到待预测分子的融合特征向量；

6、将所述待预测分子的融合特征向量输入到训练好的分子性质预测模型中，得到待预测分子性质的预测结果。

7、可选的，所述获得待预测分子，并确定所述待预测分子的图数据，包括：

8、获得待预测分子，将所述待预测分子的原子转换为图数据的节点，将所述待预测分子的化学键转换为图数据的边，以获得所述待预测分子的图数据。

9、可选的，所述构建用于特征向量优化的目标量子线路，包括：

10、获取一组量子比特并将所述量子比特的初态置为|0>；

11、利用第一类量子逻辑门，构建用于将所述待预测分子的图数据映射到所述量子比特叠加态的第一子量子线路；

12、利用第二类量子逻辑门，构建用于优化待预测分子的图数据的第二子量子线路；

13、构建用于提取优化后的待预测分子的图数据的特征向量的测量子线路；

14、利用所述第一子量子线路、所述第二子量子线路和所述测量子线路，获得用于特征向量优化的目标量子线路。

15、可选的，所述利用所述第一子量子线路、所述第二子量子线路和所述测量子线路，获得用于特征向量优化的目标量子线路，包括：

16、依次将所述第一子量子线路、所述第二子量子线路和所述测量子线路组合，得到目标量子线路，或

17、依次将所述第一子量子线路、预设数量个所述第二子量子线路和所述测量子线路组合，得到目标量子线路，其中，所述预设数量为大于等于2的整数。

18、可选的，所述第一类量子逻辑门包括：hadamard量子逻辑门和量子旋转逻辑门；

19、所述第二类量子逻辑门包括：cnot量子逻辑门和量子旋转逻辑门。

20、可选的，所述利用所述目标量子线路，将所述待预测分子的节点特征向量和边特征向量转换为高维特征向量，包括：

21、运行并测量所述目标量子线路，获得所述目标量子线路的最终量子态；

22、将所述最终量子态转换为高维特征向量。

23、本技术的又一实施例提供了一种预测分子性质的装置，所述装置包括：

24、获得模块，用于获得待预测分子，并确定所述待预测分子的图数据，所述图数据中包括待预测分子的节点特征向量和边特征向量；

25、构建模块，用于构建用于特征向量优化的目标量子线路；

26、转换模块，用于利用所述目标量子线路，将所述待预测分子的节点特征向量和边特征向量转换为高维特征向量，并对所述高维特征向量进行特征融合，得到待预测分子的融合特征向量；

27、得到模块，用于将所述待预测分子的融合特征向量输入到训练好的分子性质预测模型中，得到待预测分子性质的预测结果。

28、可选的，所述获得模块，包括：

29、获得单元，用于获得待预测分子，将所述待预测分子的原子转换为图数据的节点，将所述待预测分子的化学键转换为图数据的边，以获得所述待预测分子的图数据。

30、可选的，所述构建模块，包括：

31、获取单元，用于获取一组量子比特并将所述量子比特的初态置为|0>；

32、第一构建单元，用于利用第一类量子逻辑门，构建用于将所述待预测分子的图数据映射到所述量子比特叠加态的第一子量子线路；

33、第二构建单元，用于利用第二类量子逻辑门，构建用于优化待预测分子的图数据的第二子量子线路；

34、第三构建单元，用于构建用于提取优化后的待预测分子的图数据的特征向量的测量子线路；

35、组合单元，用于利用所述第一子量子线路、所述第二子量子线路和所述测量子线路，获得用于特征向量优化的目标量子线路。

36、可选的，所述组合单元，包括：

37、第一组合子单元，用于依次将所述第一子量子线路、所述第二子量子线路和所述测量子线路组合，得到目标量子线路，或

38、第二组合子单元，用于依次将所述第一子量子线路、预设数量个所述第二子量子线路和所述测量子线路组合，得到目标量子线路，其中，所述预设数量为大于等于2的整数。

39、可选的，所述转换模块，包括：

40、运行单元，用于运行并测量所述目标量子线路，获得所述目标量子线路的最终量子态；

41、转换单元，用于将所述最终量子态转换为高维特征向量。

42、本技术的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时实现上述任一项中所述的方法。

43、本技术的又一实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以实现上述任一项中所述的方法。

44、与现有技术相比，本发明首先获得待预测分子，并确定待预测分子的图数据，构建用于特征向量优化的目标量子线路，利用目标量子线路，将待预测分子的节点特征向量和边特征向量转换为高维特征向量，并对高维特征向量进行特征融合，得到待预测分子的融合特征向量，将待预测分子的融合特征向量输入到训练好的分子性质预测模型中，得到待预测分子性质的预测结果，它通过量子线路实现分子性质的预测，利用量子的相关特性，提高计算速度和计算精确度。