論文の概要: Quantum Machine Learning Framework for Virtual Screening in Drug
Discovery: a Prospective Quantum Advantage
- arxiv url: http://arxiv.org/abs/2204.04017v1
- Date: Fri, 8 Apr 2022 12:05:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-11 14:02:43.398422
- Title: Quantum Machine Learning Framework for Virtual Screening in Drug
Discovery: a Prospective Quantum Advantage
- Title(参考訳): 創薬における仮想スクリーニングのための量子機械学習フレームワーク:先進的な量子アドバンテージ
- Authors: Stefano Mensa, Emre Sahin, Francesco Tacchino, Panagiotis Kl.
Barkoutsos and Ivano Tavernelli
- Abstract要約: 量子統合ワークフローは、最先端の古典的アルゴリズムと比較して有意義な優位性が得られることを示す。
また、ADRB2およびCOVID-19データセットを用いてIBM Quantumプロセッサ上でアルゴリズムをテストし、ハードウェアシミュレーションが予測された性能と一致し、古典的な等価性を上回る結果が得られることを示した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine Learning (ML) for Ligand Based Virtual Screening (LB-VS) is an
important in-silico tool for discovering new drugs in a faster and
cost-effective manner, especially for emerging diseases such as COVID-19. In
this paper, we propose a general-purpose framework combining a classical
Support Vector Classifier (SVC) algorithm with quantum kernel estimation for
LB-VS on real-world databases, and we argue in favor of its prospective quantum
advantage. Indeed, we heuristically prove that our quantum integrated workflow
can, at least in some relevant instances, provide a tangible advantage compared
to state-of-art classical algorithms operating on the same datasets, showing
strong dependence on target and features selection method. Finally, we test our
algorithm on IBM Quantum processors using ADRB2 and COVID-19 datasets, showing
that hardware simulations provide results in line with the predicted
performances and can surpass classical equivalents.
- Abstract(参考訳): Ligand Based Virtual Screening(LB-VS)のための機械学習(ML)は、特に新型コロナウイルス(COVID-19)などの新興疾患に対して、迅速かつ費用対効果の高い方法で新薬を発見するための重要なサイリコツールである。
本稿では,従来のサポートベクトル分類器(SVC)アルゴリズムと実世界のデータベース上でのLB-VSの量子カーネル推定を組み合わせた汎用フレームワークを提案する。
実際、我々の量子統合ワークフローが、少なくともいくつかの関連する場合において、同じデータセット上で動作している最先端の古典的アルゴリズムと比較して、明確な利点をもたらすことをヒューリスティックに証明し、ターゲットと特徴の選択方法に強い依存を示す。
最後に、ADRB2およびCOVID-19データセットを用いてIBM Quantumプロセッサ上でアルゴリズムをテストし、ハードウェアシミュレーションが予測された性能と一致し、古典的な等価性を上回る結果が得られることを示した。
関連論文リスト
- Benchmarking quantum machine learning kernel training for classification tasks [0.0]
本研究は、分類タスクに焦点を当てた量子カーネル推定(QKE)と量子カーネルトレーニング(QKT)のベンチマーク研究を行う。
ZZFeatureMapとCovariantFeatureMapという2つの量子特徴写像がこの文脈で分析される。
実験結果から、量子法は異なるデータセット間で様々な性能を示すことが明らかとなった。
論文 参考訳(メタデータ) (2024-08-17T10:53:06Z) - Quantum Machine Learning with Application to Progressive Supranuclear Palsy Network Classification [0.0]
進行性核上麻痺(PSP)の診断のための量子機械学習モデルを提案する。
その結果、量子機械学習は古典的なフレームワークよりも顕著に進歩し、性能を上回っていることが示唆された。
特に,IBM量子プラットフォームの量子シミュレータと実チップの両面において,本モデルの有効性を実証した。
論文 参考訳(メタデータ) (2024-07-06T14:16:31Z) - Machine Learning in the Quantum Age: Quantum vs. Classical Support
Vector Machines [0.0]
この研究は、古典的および量子計算パラダイムにおける機械学習アルゴリズムの有効性を判断する努力である。
我々は、Irisデータセット上で量子ハードウェアで動作する古典的なSVMと量子サポートベクトルマシンの分類技術を精査する。
論文 参考訳(メタデータ) (2023-10-17T01:06:59Z) - Boosted Ensembles of Qubit and Continuous Variable Quantum Support
Vector Machines for B Meson Flavour Tagging [0.7232471205719458]
量子機械学習手法をB中間子タギングに適用する。
従来の量子ビットベースおよび連続変数アーキテクチャに基づく量子支援ベクトルマシンの高速化アンサンブルをシミュレートする。
古典的にシミュレート可能な状態を超えた連続変数QSVMが、さらに高い性能を実現することが可能であることを示す。
論文 参考訳(メタデータ) (2023-05-04T11:04:06Z) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳(メタデータ) (2023-03-27T22:48:28Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳(メタデータ) (2022-11-23T18:25:32Z) - Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる
本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。
その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
論文 参考訳(メタデータ) (2022-09-01T17:08:41Z) - Quantum kernels for real-world predictions based on electronic health
records [0.0]
医療・生命科学における経験的量子優位性(EQA)に関する最初の体系的研究を報告する。
各構成座標に対して、IBM量子コンピュータを用いて、放射基底関数(RBF)カーネルとカスタムカーネルを用いた量子モデルに基づく古典的サポートベクトルマシン(SVM)モデルを訓練した。
我々は、量子カーネルが特定のデータセットに利点をもたらすレシエーションを実証的に特定し、与えられたモデルの精度を定量的に見積もる指標である地形粗さ指数を導入した。
論文 参考訳(メタデータ) (2021-12-12T12:06:19Z) - Quantum Machine Learning with SQUID [64.53556573827525]
分類問題に対するハイブリッド量子古典アルゴリズムを探索するオープンソースフレームワークであるScaled QUantum IDentifier (SQUID)を提案する。
本稿では、一般的なMNISTデータセットから標準バイナリ分類問題にSQUIDを使用する例を示す。
論文 参考訳(メタデータ) (2021-04-30T21:34:11Z) - Generation of High-Resolution Handwritten Digits with an Ion-Trap
Quantum Computer [55.41644538483948]
本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。
我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
論文 参考訳(メタデータ) (2020-12-07T18:51:28Z) - Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。
QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。
数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
論文 参考訳(メタデータ) (2020-10-20T12:06:27Z)
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。