論文の概要: Scalable Variational Quantum Circuits for Autoencoder-based Drug Discovery

• arxiv url: http://arxiv.org/abs/2112.12563v1
• Date: Mon, 15 Nov 2021 00:26:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-08 02:01:12.236404
• Title: Scalable Variational Quantum Circuits for Autoencoder-based Drug Discovery
• Title（参考訳）: 自動エンコーダに基づく薬物発見のためのスケーラブルな可変量子回路
• Authors: Junde Li and Swaroop Ghosh
• Abstract要約: 変分オートエンコーダは、既存の分子データセットに基づいて化学空間を探索するコンピュータ支援設計手法の1つである。 本稿では,創薬分子を同時に再構成・サンプリングするためのスケーラブルな量子生成オートエンコーダ(SQ-VAE)と,それに対応するバニラ変種(SQ-AE)について述べる。
• 参考スコア（独自算出の注目度）: 8.871042314510788
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The de novo design of drug molecules is recognized as a time-consuming and costly process, and computational approaches have been applied in each stage of the drug discovery pipeline. Variational autoencoder is one of the computer-aided design methods which explores the chemical space based on existing molecular dataset. Quantum machine learning has emerged as an atypical learning method that may speed up some classical learning tasks because of its strong expressive power. However, near-term quantum computers suffer from limited number of qubits which hinders the representation learning in high dimensional spaces. We present a scalable quantum generative autoencoder (SQ-VAE) for simultaneously reconstructing and sampling drug molecules, and a corresponding vanilla variant (SQ-AE) for better reconstruction. The architectural strategies in hybrid quantum classical networks such as, adjustable quantum layer depth, heterogeneous learning rates, and patched quantum circuits are proposed to learn high dimensional dataset such as, ligand-targeted drugs. Extensive experimental results are reported for different dimensions including 8x8 and 32x32 after choosing suitable architectural strategies. The performance of quantum generative autoencoder is compared with the corresponding classical counterpart throughout all experiments. The results show that quantum computing advantages can be achieved for normalized low-dimension molecules, and that high-dimension molecules generated from quantum generative autoencoders have better drug properties within the same learning period.
• Abstract（参考訳）: 薬物分子のde novo設計は、時間とコストのかかるプロセスとして認識され、薬物発見パイプラインの各段階で計算手法が適用されている。 変分オートエンコーダは、既存の分子データセットに基づいて化学空間を探索するコンピュータ支援設計手法の1つである。 量子機械学習は、その強い表現力のために古典的な学習タスクを高速化する非定型的な学習方法として登場した。 しかし、短期量子コンピュータは限られた数の量子ビットに苦しむため、高次元空間での表現学習が妨げられる。 本稿では,創薬分子を同時に再構成・サンプリングするためのスケーラブルな量子生成オートエンコーダ(SQ-VAE)と,それに対応するバニラ変種(SQ-AE)について述べる。 調整可能な量子層深さ、不均一学習率、パッチ量子回路などのハイブリッド量子古典ネットワークにおけるアーキテクチャ戦略は、リガンド標的薬のような高次元のデータセットを学習するために提案される。 適切なアーキテクチャ戦略を選択した後, 8x8 と 32x32 を含む異なる次元の大規模実験結果が報告された。 量子生成オートエンコーダの性能は、全ての実験を通して対応する古典的結果と比較される。 その結果、正規化低次元分子では量子コンピューティングの利点が得られ、量子生成オートエンコーダから生成される高次元分子は同じ学習期間内に優れた薬物特性を持つことが示された。

関連論文リスト

• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• QNEAT: Natural Evolution of Variational Quantum Circuit Architecture [95.29334926638462]
  我々は、ニューラルネットワークの量子対する最も有望な候補として登場した変分量子回路(VQC)に注目した。 有望な結果を示す一方で、バレン高原、重みの周期性、アーキテクチャの選択など、さまざまな問題のために、VQCのトレーニングは困難である。 本稿では,VQCの重みとアーキテクチャの両方を最適化するために,自然進化にインスパイアされた勾配のないアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-14T08:03:20Z)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [59.07246314484875]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• Differentiable matrix product states for simulating variational quantum computational chemistry [6.954927515599816]
  本稿では,変分量子固有解法(VQE)の並列化可能な古典シミュレータを提案する。 我々のシミュレーターは量子回路の進化を古典的自己微分フレームワークにシームレスに統合する。 応用として、我々のシミュレーターを用いて、一般的なHF、LiH、H$Oなどの小分子と、最大40ドルの量子ビットを持つより大きな分子であるCO$$、BeH$、H$_4$を研究する。
  論文  参考訳（メタデータ） (2022-11-15T08:36:26Z)
• Optimal quantum kernels for small data classification [0.0]
  本稿では,量子ゲートシーケンスをデータに適応させるベクトルマシンをサポートするために,量子カーネルを構築するアルゴリズムを示す。 少数のトレーニングポイントを持つ分類問題に対する結果の量子モデルの性能は、最適化された古典モデルよりも著しく高い。
  論文  参考訳（メタデータ） (2022-03-25T18:26:44Z)
• Quantum neural networks force fields generation [0.0]
  量子ニューラルネットワークアーキテクチャを設計し、複雑性が増大するさまざまな分子に適用することに成功しています。 量子モデルは古典的なモデルに対してより大きな有効次元を示し、競争性能に達することができる。
  論文  参考訳（メタデータ） (2022-03-09T12:10:09Z)
• Hybrid quantum-classical machine learning for generative chemistry and drug design [0.0]
  そこで我々は,Boltzmann Machine (RBM) を用いた小型離散分散変分オートエンコーダを構築した。 医薬化学および合成アクセシビリティ特性を有する新規な2331の化学構造を創出する。 結果は、既に存在するか、あるいはすぐに利用可能となる量子コンピューティングデバイスを、将来の薬物発見アプリケーションのためのテストベッドとして使用できる可能性を示している。
  論文  参考訳（メタデータ） (2021-08-26T08:23:32Z)
• Quantum Deformed Neural Networks [83.71196337378022]
  我々は,量子コンピュータ上で効率的に動作するように設計された新しい量子ニューラルネットワーク層を開発した。 入力状態の絡み合いに制限された場合、古典的なコンピュータでシミュレートすることができる。
  論文  参考訳（メタデータ） (2020-10-21T09:46:12Z)
• Quantum computation of silicon electronic band structure [0.0]
  量子プロセッサ上で分子をシミュレートするために設計された量子化学における前例のない手法は、周期的な固体の性質を計算するために拡張可能であることを示す。 特に,変分量子固有解法アルゴリズムを実装した最小深度回路を提案し,シリコンのバンド構造を量子マシン上で初めて計算することに成功した。
  論文  参考訳（メタデータ） (2020-06-06T07:45:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。