Algorithmes Quantique en IA informée par la physique pour la prédiction de la structure des protéines

Quantum Physics Informed AI for Protein Structure Prediction

• Auteur / Autrice : Xu Kang
• Direction : Frederic Cadet, Jingbo Wang
• Type : Projet de thèse
• Discipline(s) : Biologie Informatique
• Date : Inscription en doctorat le 01/10/2024
• Etablissement(s) : La Réunion en cotutelle avec University of Western Australia
• Ecole(s) doctorale(s) : École doctorale Sciences, Technologies et Santé
• Partenaire(s) de recherche : Laboratoire : Dynamique des Structures Systèmes et Interactions des Macromolécules Biologiques

Mots clés

Mots clés libres

Physique quantique

Ia

Et prédiction de la structure des protéines

Quantum Physics

Ai

Protein Structure Prediction

Résumé

Ce projet propose d'exploiter une combinaison d'intelligence artificielle informée par la physique (Physics Informed AI) et d'algorithmes quantiques pour améliorer la prédiction des structures protéiques. En intégrant des principes fondamentaux de la mécanique quantique au sein de modèles d'IA, cette approche vise à relever les défis computationnels liés aux protéines complexes, où les méthodes classiques se heurtent à des limites de précision et de coûts en ressources. L'objectif principal est de développer des algorithmes hybrides, combinant des simulations quantiques (utilisant des systèmes NISQ) avec des modèles d'IA avancés, pour résoudre des sous-problèmes critiques, tels que l'optimisation des configurations énergétiques et la prédiction des interactions moléculaires. Cette approche innovante cherche à démontrer des améliorations significatives en termes de rapidité et de précision dans les calculs.

This project aims to leverage a combination of Physics Informed Artificial Intelligence (PI-AI) and quantum algorithms to improve protein structure prediction. By integrating fundamental principles of quantum mechanics into AI models, this approach seeks to address computational challenges associated with complex proteins, where classical methods face limitations in precision and computational cost. The primary objective is to develop hybrid algorithms that combine quantum simulations (using NISQ systems) with advanced AI models to tackle critical subproblems, such as energy configuration optimization and molecular interaction prediction. This innovative approach aims to demonstrate significant improvements in computational speed and accuracy.