ปัญญาประดิษฐ์ (AI) เพิ่มประโยชน์อะไรให้กับเทคโนโลยีควอนตัมที่เครื่องมืออื่นๆ ไม่มี
เทคโนโลยีควอนตัมสัญญาว่าจะปฏิวัติหลายด้านของชีวิต อย่างไรก็ตาม เราจะต้องใช้เทคโนโลยีสนับสนุนมากมายเพื่อให้บรรลุศักยภาพสูงสุด โดย AI มีความสำคัญอย่างยิ่งในบรรดาสิ่งเหล่านี้ ในด้านการค้นพบยา เราคาดหวังว่าคอมพิวเตอร์ควอนตัมจะช่วยจัดการกับปัญหาที่ยากจะแก้ไขได้ในปัจจุบัน
ซึ่งขวางทาง
ในการค้นหายาที่ดีและปลอดภัยยิ่งขึ้นสำหรับโรคอื่นๆ อย่างไรก็ตาม เราจะสามารถใช้ประโยชน์จากความสามารถอันทรงพลังของการคำนวณควอนตัมสำหรับการค้นคว้ายาได้ก็ต่อเมื่อเราสามารถฝังมันลงในไปป์ไลน์ที่ใช้ AI ในการค้นคว้ายา เราดำเนินตามเส้นทางที่มั่นคงเพื่อค้นหาผู้สมัครที่ดีที่สุด
สำหรับยาใหม่ ขั้นตอนแรกคือการสร้างแบบจำลองทางคอมพิวเตอร์เพื่อเลือกผู้สมัครยาที่มีคุณสมบัติเป้าหมายที่หลากหลาย จากนั้นเราจะผลิตผู้สมัครไม่กี่คนที่มีแนวโน้มมากที่สุด ขั้นตอนที่สามเกี่ยวข้องกับการทดสอบผู้สมัครเชิงทดลองเพื่อตรวจสอบว่าพวกเขามีคุณสมบัติเป้าหมายหรือไม่
ขั้นตอนเหล่านี้จะถูกทำซ้ำจนกว่าผู้สมัครจะได้รับการยืนยันว่ามีคุณสมบัติเป้าหมาย แม้ว่าจะได้ผลดี แต่กระบวนการนี้ช้ามากและมีราคาแพง แท้จริงแล้ว ต้องใช้เวลาเฉลี่ย 2.6 พันล้านดอลลาร์และ 10 ปีในการนำยาตัวเดียวออกสู่ตลาด ส่วนใหญ่เป็นเพราะกระบวนการนี้จำเป็นต้องทำซ้ำบ่อยครั้ง
เนื่องจากเราไม่สามารถระบุตัวยาคุณภาพสูงที่มีคุณสมบัติที่จำเป็นในขั้นตอนแรกได้ ของกระบวนการนี้
เหตุใดวิธีการคำนวณในการสร้างแบบจำลองของเราจึงมักล้มเหลวในการสร้างผู้สมัครที่สามารถผ่านขั้นตอนต่อไปได้สำเร็จ ความสำเร็จและความล้มเหลวของการสร้างแบบจำลองดังกล่าว
ขึ้นอยู่กับเกณฑ์สำคัญสองประการ ได้แก่ ความแม่นยำในการทำนายและความเร็วในการคัดกรอง เมื่อพูดถึงอดีต เราจำเป็นต้องทำนายคุณสมบัติของผู้สมัครยาแต่ละรายด้วยความแม่นยำในระดับหนึ่ง เพื่อทำความเข้าใจว่าผู้สมัครแต่ละคนจะมีพฤติกรรมอย่างไรในร่างกายมนุษย์
วิธีการทางเคมีเชิงคำนวณ
ในปัจจุบันจำลองว่ายาจะมีปฏิกิริยาอย่างไรกับเป้าหมายในร่างกาย โดยการคำนวณปฏิกิริยาดังกล่าวแบบดั้งเดิม ทั้งที่จริง ๆ แล้วสารที่เป็นยาจะถูกควบคุมโดยกฎของกลศาสตร์ควอนตัม นั่นหมายความว่าการคาดการณ์ของวิธีการทางเคมีเชิงคำนวณมักมีความคลาดเคลื่อนสูง
นี่เป็นพื้นที่หนึ่งที่คอมพิวเตอร์ควอนตัมให้คำมั่นสัญญาที่ดี เนื่องจากจะช่วยให้เราสามารถจำลองปฏิสัมพันธ์ของผู้ทดสอบกับเป้าหมายในร่างกายมนุษย์โดยใช้การคำนวณทางกลควอนตัม ซึ่งมีความแม่นยำอย่างมาก สิ่งที่สำคัญอีกอย่างสำหรับความแม่นยำในการทำนายคือความเร็ว
ที่เราสามารถคัดกรองผู้สมัครเป็นยาได้ ในขั้นตอนแรกของกระบวนการค้นพบยา วิธีการคำนวณจำเป็นต้องคัดกรองผู้สมัครจำนวนมาก ในโลกอุดมคติ เราจะสามารถคัดกรองผู้สมัครหลายพันล้านคนได้อย่างรวดเร็ว สร้างแบบจำลองแต่ละคนในเวลาไม่กี่มิลลิวินาที ดังนั้นการประเมินผู้สมัครจำนวนมาก
ในเวลาไม่กี่วัน น่าเสียดายที่ไม่มีคอมพิวเตอร์ควอนตัมหรือวิธีเคมีเชิงคำนวณแบบคลาสสิกที่คำนวณปฏิสัมพันธ์ใดจะเร็วพอที่จะบรรลุความเร็วดังกล่าวได้ นี่คือจุดที่แมชชีนเลิร์นนิงและ AI มีความสำคัญและมีค่าอย่างยิ่ง ด้วย AI เราสามารถคัดเลือกผู้สมัครสองสามคน ประเมินคุณสมบัติของพวกเขา
โดยคัดเลือก จากนั้นฝึกโมเดลเพื่อทำนายคุณสมบัติของตัวเลือกที่เหลือทั้งหมด ทำให้เราสามารถคัดกรองผู้สมัครจำนวนมากด้วยความเร็วสูงข้อเสียของการใช้ AI คืออะไร?เราไม่ทราบข้อเสียที่ชัดเจนใดๆ ในการใช้ AI ร่วมกับควอนตัมคอมพิวเตอร์ เมื่อมีการค้นพบและพัฒนายาใหม่ๆ
อย่างไรก็ตาม
การรวมเทคโนโลยีทั้งสองเข้าด้วยกันในทางปฏิบัตินั้นเป็นความพยายามที่ซับซ้อนซึ่งต้องอาศัยทีมนักวิทยาศาสตร์จากสหสาขาวิชาชีพที่หลากหลายและทำงานร่วมกันเพื่อให้สามารถรวมเทคโนโลยีทั้งสองเข้าด้วยกันอย่างเรียบร้อย แม้ว่ากระบวนการสี่ขั้นตอนที่อธิบายไว้ข้างต้นจะดูตรงไปตรงมา
แต่ก็มีความซับซ้อนเพิ่มเติมมากมายที่ต้องนำมาพิจารณา เช่น ความซับซ้อนที่มีอยู่ในการรวบรวมและการทำงานกับข้อมูลการทดลอง AI ให้ประโยชน์เพิ่มเติมที่นี่ ทำให้สามารถรวบรวมข้อมูลที่มีคุณภาพสูงขึ้น ซึ่งจะช่วยให้สามารถฝึกอบรมโมเดล AI อื่นๆ ด้วยข้อมูลจำนวนน้อยลงได้
การทำงานอัตโนมัติด้วย AI ช่วยให้การรวบรวมข้อมูลถูกลงและเชื่อถือได้มากขึ้นคุณใช้ AI ในการวิจัยของคุณอย่างไร? ที่ Rahko เราทำงานที่ จุดบรรจบกันของ AI, การคำนวณด้วยควอนตัม และเคมี เชิงคำนวณ เรากำลังสร้างขั้นตอนการค้นพบยาด้วยควอนตัมเพื่อเอาชนะความท้าทายสำคัญ
ที่อธิบายไว้ข้างต้น โมเดล AI ที่เรากำลังพัฒนาแตกต่างจากแนวทางการเรียนรู้เชิงลึกแบบมาตรฐานตรงที่มีความเชี่ยวชาญสูงสำหรับการค้นพบ วิธีการเรียนรู้เชิงลึกและเครือข่ายประสาทโดยทั่วไปประสบความสำเร็จอย่างมากในด้านต่างๆ เช่น การจดจำภาพ ซึ่งมีข้อมูลมากมาย
อย่างไรก็ตาม เนื่องจากธรรมชาติของปัญหาในการค้นพบยา เราจึงจัดการกับข้อมูลน้อยมาก โดยการจัดหาข้อมูลเพิ่มเติมนั้นมีราคาแพงมากหรือแทบจะเป็นไปไม่ได้เลยที่จะได้มาในสถานการณ์เช่นนี้ซึ่งมีข้อมูลน้อย โครงข่ายประสาทเทียมไม่สามารถคาดการณ์ได้ดีอย่างแน่นอน
เนื่องจากมีข้อมูลไม่เพียงพอในการฝึกอบรม นี่คือจุดที่ทีมของเราที่ Rahko เก่ง เรารวมกฎของกลศาสตร์ควอนตัมไว้ในวิธีการเรียนรู้ด้วยเครื่องควอนตัมของเรา ตัวอย่างเช่น ในวิธีที่เราแสดงข้อมูล ด้วยวิธีนี้ เราจึงสามารถใช้ข้อมูลจำนวนน้อยที่สุดในการคาดการณ์ที่ดี ซึ่งรวมถึงข้อมูลทั่วไปของผู้สมัครคนอื่นๆ ในกระบวนการคัดกรองด้วย
Credit : เกมส์ออนไลน์แนะนำ >>> ยูฟ่าสล็อต
