優化經驗函數時，量子計算可以幫上的是quantum genetic algorithm，Grover algorithm，解線性方程做優化算法或者量子退火其中Grover能把大小為N的搜索空間用根號N的計算難度找到最優解。但這有兩個問題，其壹是原來非多項式的搜索空間根號後還是很大，其二是Grover復雜度和計算系統time evolution的精讀有關（根據quantum computing and quantum information那本書第六章），精度差壹點就N的3/4方了，再差壹點就線性了...解方程的HHL算法（ic Algorithm and Quantum Genetic Algorithm和Multiple Sequence Alignment by Quantum Genetic Algorithm）。在這兩篇文章裏，QGA的結果都優於先前方法（亦沒有好得太驚人...）。但是西班牙的Rafael Lahoz-Beltra在Quantum Genetic Algorithm for Computer Scientists中指出，由於QGA不同於Simple GA，各個答案間並非獨立（由同壹串量子比特表達），於是進化篩選操作相當於將所有答案同時rotate向附近的最優解，所以會迅速收斂於local minimum，在他自己的benchmark上QGA表現和壹些GA變種差不多，但是不如原始版的GA。所以Quantum heuristic能否在protein上好用要測試後才知道。之後，蛋白折疊精確度還受到energy function準確度的限制，就算目前最好的Rosetta，算得死去活來也經常給妳壹些完全就是直鏈的結構... 這點上，從原子物理性質出發的分（原）子模擬精確度會好得多。