8 月 8 日消息，據本源量子消息，其聯合中國科學技術大學、合肥綜合性國家科學中心人工智能研究院創新設計的量子嵌入圖神經網絡架構（QEGNN），提升了關鍵藥物性質預測準確率，將 HIV 抗病毒藥物篩選準確率從 73% 提升至 97%。
據介紹，該架構融入全球首創量子邊編碼技術（QEEM）和量子節點嵌入模式（QNEM），填補了量子圖神經網絡研究的空白，首次在量子層面實現原子與化學鍵的同步處理。成果以題為“Quantum-Embedded Graph Neural Network Architecture for Molecular Property Prediction”的論文發表于化學信息學領域的權威期刊 Journal of Chemical Information and Modeling。
團隊全球首創的量子邊編碼技術將分子的化學鍵進行量子編碼，能夠在量子層面處理原子間的相互作用；量子節點嵌入模式則可以對分子的原子信息進行量子編碼，讓量子計算機能夠理解原子的特性。二者創新融入量子嵌入圖神經網絡架構，提升了對分子行為的預測精度和藥物發現效率。
團隊在三個重要的藥物相關數據集上對量子嵌入圖神經網絡架構進行了驗證測試，結果顯示這一技術提升了關鍵藥物性質預測準確率：HIV 抗病毒藥物篩選準確率從 73% 提升至 97%；阿爾茨海默病藥物預測準確率從 64% 提升至 70%；ClinTox 分子毒性預測準確率從 80% 提升至 87%。
此外，團隊還在中國第三代自主超導量子計算機“本源悟空”上進行了實驗，驗證了量子嵌入圖神經網絡架構在實際量子硬件上的可靠性。雖然存在量子噪聲的影響，但該量子模型的準確率仍維持在 80% 左右，充分證明了其在當前量子計算條件下的實用性。
目前，以“本源悟空”為計算后端，研發團隊基于該項技術開發的藥物毒性預測真機應用已上線“本源量子計算云平臺”。