我国本源量子科研团队联合中国科学技术大学、合肥综合性国家科学中心人工智能研究院，创新设计量子嵌入图神经网络架构（QEGNN），显著提升关键药物性质预测准确率。

该架构融入全球首创的量子边编码技术（QEEM）和量子节点嵌入模式（QNEM），填补了量子图神经网络研究空白，首次在量子层面实现原子与化学键的同步处理。相关成果发表于化学信息学领域权威期刊 Journal of Chemical Information and Modeling。

量子边编码技术将分子化学键进行量子编码，可在量子层面处理原子间相互作用；量子节点嵌入模式则对分子原子信息进行量子编码，使量子计算机能够理解原子特性。两项技术融入量子嵌入图神经网络架构后，显著提升了对分子行为的预测精度和药物发现效率。

团队在三个重要药物相关数据集上对该架构进行验证测试，结果显示 HIV 抗病毒药物筛选准确率从 73% 提升至 97%；阿尔茨海默病药物预测准确率从 64% 提升至 70%；ClinTox 分子毒性预测准确率从 80% 提升至 87%。

此外，团队在中国第三代自主超导量子计算机“本源悟空”上完成实验，验证了该架构在实际量子硬件上的可靠性。尽管存在量子噪声影响，模型准确率仍维持在 80% 左右，显示其在当前量子计算条件下的实用性。

目前，基于“本源悟空”计算后端，研发团队已开发药物毒性预测真机应用，并上线“本源量子计算云平台”。

免责声明：本文内容由开放的智能模型自动生成，仅供参考。