现代制药研究使用自动化的高通量筛查技术来发现新的生物学靶点结合化合物，但是新药的开发仍然是一个漫长而昂贵的过程。计算分子对接提供了一种有效且廉价的方法来识别靶标结合化合物并估算化合物和靶标之间的结合效果。虚拟药物筛查的成功率主要由1）对接精度和2）用于筛选的化合物库的全面性。对接软件的对接精度取决于其采样化合物和靶构象的能力[1]，以及其评分方法的精度[2]。已经取得了显着的进步来增强采样和评分程序[3]，并利用大量的蛋白质 - 配体复杂结构来训练得分函数。许多对接方法（见图1（a），例如Glide [4]，Medusadock [5]，[6]，Autodock Vina [7]。量子计算可以在许多领域（例如化学模拟，机器学习和优化）中具有独特的优势。Quantum gan是近期量子计算机的主要应用之一，因为它在学习数据分布方面具有强大的表达能力，即使与经典gan相比，参数少得多。ever，由于噪声量子计算机上的量子限制，量子神经网络仍处于其新生阶段。考虑到药物发现的特定任务，由于以下原因，我们探索了生成和预测模型的潜在量子优势：1）希尔伯特空间中的栅极参数探索与神经网络参数探索不同。