Förbättring av en kvanthybridalgoritm applicerad på proteinveckningsproblemet
Typ
Examensarbete för kandidatexamen
Program
Publicerad
2023
Författare
Brunander, Hampus
Dittmer, Petter
Lagerberg, Jesper
Ljungberg, Jacob
Nerpin, Nils
Rodung, Ludvig
Modellbyggare
Tidskriftstitel
ISSN
Volymtitel
Utgivare
Sammanfattning
I det här projektet implementeras och undersöks en möjlig förbättring av kvanthybridalgoritmen
kvantmekanisk approximativ optimeringsalgoritm (QAOA, Quantum Approximate Optimization Algorithm) på proteinveckningsproblemet. Den undersökta förbättringen kallas Conditional Value at
Risk (CVaR), och jämförs med konventionell QAOA för att se om den har några fördelar. Testerna
av algoritmen utförs genom simuleringar med programbiblioteket PennyLane för Python. För att modellera proteinveckningsproblemet användes HP-modellen. I slutändan visade QAOA med CVaR på
att möjligen vara en liten förbättring jämfört med konventionell QAOA, men fler tester bör göras för
att säkerställa om denna förbättring ökar eller minskar med djupet på kvantkretsen och längden på
aminosyrakedjan
Beskrivning
Ämne/nyckelord
Kvantdator, Kvantalgoritm, QAOA, CVaR, Proteinveckning, HP-modellen, Gittermodellen