Hybrid quantum-classical machine learning for the problem of protein-folding: comparison of VQE and QAOA & implementation on IBM’s real devices

Papanikolaou, Maria; Παπανικολάου, Μαρία

dc.contributor.author	Papanikolaou, Maria	en
dc.contributor.author	Παπανικολάου, Μαρία	el
dc.date.accessioned	2025-01-08T11:40:20Z
dc.date.available	2025-01-08T11:40:20Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60654
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28350
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Protein Folding	en
dc.subject	Hybrid Quantum-Classical Machine Learning	en
dc.subject	Variational Quantum Algorithms (VQAs)	en
dc.subject	Variational Quantum Eigensolver (VQE)	en
dc.subject	Quantum Approximate Optimization Algorithm (QAOA)	en
dc.subject	Αναδίπλωση Πρωτεϊνών	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Υβριδικές Κβαντικές-Κλασικές Μέθοδοι Μηχανικής Μάθησης	el
dc.subject	Παραμετροποιημένα Κβαντικά Κυκλώματα	el
dc.subject	Κβαντικοί Υπολογιστές	el
dc.title	Hybrid quantum-classical machine learning for the problem of protein-folding: comparison of VQE and QAOA & implementation on IBM’s real devices	en
heal.type	masterThesis	el
heal.classification	Quantum Machine Learning	en
heal.classification	Machine Learning	en
heal.classification	Machine Learning for Protein Folding	en
heal.language	en	el
heal.access	free	el
heal.recordProvider	ntua	el
heal.publicationDate	2014-06-01
heal.abstract	The present study experimentally tested the ability of hybrid quantum-classical machine learning to solve the problem of Protein Folding. Protein folding is a challenging problem to be solved with classical computing, due to its complexity which increases exponentially as the size of the amino-acids chain - that the protein consists of - is increased. Thus, since quantum computing offers a speedup in convergence, we manage to solve this task by utilizing quantum gates that will search the conformational space faster. For this, we used and compared two types of Variational Quantum Algorithms - Variational Quantum Eigensolver (VQE) and Quantum Approximate Optimization Algorithm (QAOA) - and we present the results in this thesis. We implemented them on a quantum simulator and, additionally, we implemented QAOA -who had better efficiency- on the real quantum devices of IBM. Finally, despite of the limited accuracy that we observe, we propose a solution that will leverage the beneficial outcomes of our implementation.	en
heal.abstract	Η παρούσα μελέτη δοκίμασε πειραματικά την ικανότητα της υβριδικής κλασικής-κβαντικής μηχανικής μάθησης να επιλύσει το πρόβλημα της αναδίπλωσης πρωτεϊνών. Η αναδίπλωση πρωτεϊνών είναι ένα δύσκολο πρόβλημα για να επιλυθεί με κλασικούς υπολογιστές, λόγω της πολυπλοκότητάς του που αυξάνεται εκθετικά καθώς το μέγεθος της αλυσίδας αμινοξέων που συνθέτουν την πρωτεΐνη αυξάνεται. Έτσι, καθώς η κβαντική υπολογιστική προσφέρει επιτάχυνση στη σύγκλιση, καταφέραμε να λύσουμε αυτό το έργο χρησιμοποιώντας κβαντικές πύλες που θα αναζητήσουν τον διαμορφωτικό χώρο πιο γρήγορα. Για αυτό, χρησιμοποιήσαμε και συγκρίναμε δύο τύπους Παραμετροποιημένων Κβαντικών Αλγορίθμων - Παραμετροποιημένου Κβαντικού Υπολογιστή (VQE) και της Κβαντικής Προσεγγιστικής Βελτιστοποιητικής Μεθόδου (QAOA) - και παρουσιάζουμε τα αποτελέσματα αυτής της εργασίας. Τις υλοποιήσαμε σε κβαντικό εξομοιωτή και, επιπλέον, υλοποιήσαμε την QAOA -η οποία είχε καλύτερη αποδοτικότητα- στις πραγματικές κβαντικές συσκευές της IBM. Τέλος, παρά την περιορισμένη ακρίβεια που παρατηρούμε, προτείνουμε μια λύση που θα αξιοποιήσει τα ωφέλιμα αποτελέσματα της υλοποίησής μας	el
heal.advisorName	Loulakis, Michail	en
heal.advisorName	Blekos, Kostas	en
heal.advisorName	Kominis, Ioannis	en
heal.committeeMemberName	Loulakis, Michail	en
heal.committeeMemberName	Fouskakis, Dimitris	en
heal.committeeMemberName	Kominis, Ioannis	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua	el
heal.fullTextAvailability	false