論文の概要: Q-Drug: a Framework to bring Drug Design into Quantum Space using Deep
Learning
- arxiv url: http://arxiv.org/abs/2308.13171v1
- Date: Fri, 25 Aug 2023 04:26:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-28 15:11:24.928357
- Title: Q-Drug: a Framework to bring Drug Design into Quantum Space using Deep
Learning
- Title（参考訳）: Q-Drug:ディープラーニングによるドラッグデザインを量子空間に持ち込むフレームワーク
- Authors: Zhaoping Xiong, Xiaopeng Cui, Xinyuan Lin, Feixiao Ren, Bowen Liu,
Yunting Li, Manhong Yung and Nan Qiao
- Abstract要約: 本稿では、量子インスパイアされたアルゴリズムを利用して分子を最適化するQ-Drugという分子最適化フレームワークを提案する。
このフレームワークは、レーザーパルス、FPGAイジングマシン、量子コンピュータなど、様々な量子コンピューティング機器に直接デプロイすることができる。
我々の研究は、量子コンピューティングとAIの利点を活用して実用上有用な問題を解決する新しいパラダイムを実証している。
- 参考スコア（独自算出の注目度）: 5.172882393729721
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optimizing the properties of molecules (materials or drugs) for stronger
toughness, lower toxicity, or better bioavailability has been a long-standing
challenge. In this context, we propose a molecular optimization framework
called Q-Drug (Quantum-inspired optimization algorithm for Drugs) that
leverages quantum-inspired algorithms to optimize molecules on discrete binary
domain variables. The framework begins by encoding the molecules into binary
embeddings using a discrete VAE. The binary embeddings are then used to
construct an Ising energy-like objective function, over which the
state-of-the-art quantum-inspired optimization algorithm is adopted to find the
optima. The binary embeddings corresponding to the optima are decoded to obtain
the optimized molecules. We have tested the framework for optimizing drug
molecule properties and have found that it outperforms other molecular
optimization methods, finding molecules with better properties in 1/20th to
1/10th of the time previously required. The framework can also be deployed
directly on various quantum computing equipment, such as laser pulses CIMs,
FPGA Ising Machines, and quantum computers based on quantum annealing, among
others. Our work demonstrates a new paradigm that leverages the advantages of
quantum computing and AI to solve practically useful problems.
- Abstract（参考訳）: 強靭性、毒性の低下、バイオアベイラビリティ向上のために分子(物質や薬物)の特性を最適化することは長年の課題であった。
この文脈において,量子インスパイアされたアルゴリズムを利用して離散二分領域変数の分子を最適化するq-drug(quantum-inspired optimization algorithm for drugs)と呼ばれる分子最適化フレームワークを提案する。
このフレームワークは、個々のVAEを用いて分子をバイナリ埋め込みに符号化することから始まる。
次に、バイナリ埋め込みを用いてIsingエネルギーのような目的関数を構築し、その上で最先端の量子インスパイアされた最適化アルゴリズムを用いてオプティマを求める。
オプティマに対応するバイナリ埋め込みをデコードして、最適化された分子を得る。
我々は薬物分子特性を最適化するための枠組みをテストし、他の分子最適化法よりも優れており、従来より優れた性質を持つ分子を1/20から10分の1の時間で発見している。
このフレームワークは、レーザーパルスCIM、FPGA Ising Machines、量子アニールに基づく量子コンピュータなど、様々な量子コンピューティング機器に直接デプロイすることもできる。
我々の研究は、量子コンピューティングとAIの利点を活用して実用上有用な問題を解決する新しいパラダイムを実証している。
関連論文リスト
- Text-Guided Multi-Property Molecular Optimization with a Diffusion Language Model [77.50732023411811]
変換器を用いた拡散言語モデル(TransDLM)を用いたテキスト誘導多目的分子最適化手法を提案する。
TransDLMは標準化された化学命名法を分子の意味表現として利用し、プロパティ要求をテキスト記述に暗黙的に埋め込む。
提案手法は, 分子構造類似性を最適化し, ベンチマークデータセットの化学的特性を向上するための最先端手法を超越した手法である。
論文 参考訳（メタデータ） (2024-10-17T14:30:27Z) - Quantum-inspired Reinforcement Learning for Synthesizable Drug Design [20.00111975801053]
本稿では, 量子インスパイアされた擬似アニール型ニューラルネットワークを用いた強化学習手法を用いて, 化学構造の離散空間をインテリジェントにナビゲートする手法を提案する。
具体的には、ポリシーニューラルネットワークを用いた決定論的REINFORCEアルゴリズムを用いて、状態遷移と局所探索を誘導する遷移確率を出力する。
提案手法は10Kのクエリ予算を持つPMOベンチマークフレームワークを用いて評価する。
論文 参考訳（メタデータ） (2024-09-13T20:43:16Z) - Quantum molecular docking with quantum-inspired algorithm [4.959284967789063]
本稿ではQAに着想を得た新しい量子分子ドッキング(QMD)手法を提案する。
我々は2つのバイナリ符号化法を構築し、指数的にビット数を減らした自由度を効率的に識別する。
我々は,QMDが検索ベースであるAuto VinaとディープラーニングのDIFFDOCKに対して,再ドッキングと自己ドッキングの両方のシナリオで優位性を示したことを示す。
論文 参考訳（メタデータ） (2024-04-12T06:24:45Z) - Randomized Benchmarking of Local Zeroth-Order Optimizers for Variational
Quantum Systems [65.268245109828]
古典学のパフォーマンスを、半ランダム化された一連のタスクで比較する。
量子システムにおける一般に好適な性能とクエリ効率のため、局所ゼロ階数に着目する。
論文 参考訳（メタデータ） (2023-10-14T02:13:26Z) - A self-consistent field approach for the variational quantum
eigensolver: orbital optimization goes adaptive [52.77024349608834]
適応微分組立問題集合型アンザッツ変分固有解法(ADAPTVQE)における自己一貫したフィールドアプローチ(SCF)を提案する。
このフレームワークは、短期量子コンピュータ上の化学系の効率的な量子シミュレーションに使用される。
論文 参考訳（メタデータ） (2022-12-21T23:15:17Z) - Benchmarking of Different Optimizers in the Variational Quantum
Algorithms for Applications in Quantum Chemistry [0.0]
古典的なヤードスティックは変分量子アルゴリズムの精度と収束を決定する上で重要な役割を果たしている。
量子化学への応用のために、いくつかの一般的なヤードスティックを考察し、変分量子アルゴリズムの性能を評価する。
論文 参考訳（メタデータ） (2022-08-22T13:02:00Z) - Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。
その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
論文 参考訳（メタデータ） (2021-06-24T20:16:02Z) - Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。
QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。
QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-03T18:51:18Z) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。
本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
論文 参考訳（メタデータ） (2020-10-05T20:18:42Z) - Quantum algorithm for alchemical optimization in material design [0.6116681488656472]
本稿では,材料設計問題に適切なスケーリングで対処する量子アルゴリズムを提案する。
量子的優位性は、指数関数的に大きな化合物空間のサンプリングとともに電子構造特性の効率的な計算に存在している。
予備的な結果は、短期量子コンピュータのためのさらなる物質設計量子アルゴリズムの開発の基礎となる。
論文 参考訳（メタデータ） (2020-08-14T16:24:30Z) - Quantum optimal control with quantum computers: an hybrid algorithm
featuring machine learning optimization [0.0]
我々は,レーザーパルスを受ける分子の最適な集団移動問題を解くために,ハイブリッド量子古典アルゴリズムを開発した。
レーザーパルス下での分子波動関数の進化は量子コンピュータ上でシミュレートされ、最適パルスは機械学習(進化的)アルゴリズムによって反復的に形成される。
論文 参考訳（メタデータ） (2020-07-01T10:13:51Z)
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。