論文の概要: Integrating Machine Learning and Quantum Circuits for Proton Affinity Predictions
- arxiv url: http://arxiv.org/abs/2411.17856v1
- Date: Tue, 26 Nov 2024 20:13:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-28 15:27:28.119282
- Title: Integrating Machine Learning and Quantum Circuits for Proton Affinity Predictions
- Title（参考訳）: プロトン親和性予測のための機械学習と量子回路の統合
- Authors: Hongni Jin, Kenneth M. Merz Jr,
- Abstract要約: ガス相では、陽子親和性(PA)測定により陽子生成部位が決定される。
機械学習(ML)モデルと組み合わせて,複数記述子を用いてPA予測を高速かつ高精度に行う手法を開発した。
その結果,R2は0.96,MAEは2.47kcal/mol,MAEは2.47kcal/molであった。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: A key step in interpreting gas-phase ion mobility coupled with mass spectrometry (IM-MS) data for unknown structure prediction involves identifying the most favorable protonated structure. In the gas phase, the site of protonation is determined using proton affinity (PA) measurements. Currently, mass spectrometry and ab initio computation methods are widely used to evaluate PA; however, both methods are resource-intensive and time-consuming. Therefore, there is a critical need for efficient methods to estimate PA, enabling the rapid identification of the most favorable protonation site in complex organic molecules with multiple proton binding sites. In this work, we developed a fast and accurate method for PA prediction by using multiple descriptors in combination with machine learning (ML) models. Using a comprehensive set of 186 descriptors, our model demonstrated strong predictive performance, with an R2 of 0.96 and a MAE of 2.47kcal/mol, comparable to experimental uncertainty. Furthermore, we designed quantum circuits as feature encoders for a classical neural network. To evaluate the effectiveness of this hybrid quantum-classical model, we compared its performance with traditional ML models using a reduced feature set derived from the full set. The result showed that this hybrid model achieved consistent performance comparable to traditional ML models with the same reduced feature set on both a noiseless simulator and real quantum hardware, highlighting the potential of quantum machine learning for accurate and efficient PA predictions.
- Abstract（参考訳）: ガス相イオン移動度と質量分析法(IM-MS)データを組み合わせた未知構造予測における重要なステップは、最も好ましいプロトン構造を特定することである。
ガス相では、陽子親和性(PA)測定により陽子生成部位が決定される。
現在、PAの評価には質量分析法とab initio法が広く用いられているが、どちらの手法も資源集約的で時間を要する。
したがって、PAを効率的に推定する方法が不可欠であり、複数のプロトン結合部位を持つ複雑な有機分子において、最も好ましいプロトン化部位を迅速に同定することができる。
本研究では,複数の記述子と機械学習(ML)モデルを組み合わせることで,PA予測の高速かつ高精度な手法を開発した。
R2は0.96、MAEは2.47kcal/molで実験結果に匹敵する高い予測性能を示した。
さらに,古典的ニューラルネットワークのための機能エンコーダとして量子回路を設計した。
このハイブリッド量子古典モデルの有効性を評価するため,本モデルの性能を従来のMLモデルと比較した。
その結果、このハイブリッドモデルは、ノイズレスシミュレータと実際の量子ハードウェアの両方で設定されたのと同じ機能を持つ従来のMLモデルに匹敵する一貫した性能を達成し、正確かつ効率的なPA予測のための量子機械学習の可能性を強調した。
関連論文リスト
- Simulating Neutron Scattering on an Analog Quantum Processor [0.0]
本稿では,QuEraのAquilaプロセッサ上での中性子散乱をシミュレーションする手法を提案する。
ハードウェア上でのプロシージャの性能に関する数値シミュレーションと実験結果を提供する。
また,両部の絡み合いを実験的に確認した。
論文 参考訳（メタデータ） (2024-10-04T22:39:29Z) - Ground state-based quantum feature maps [17.857341127079305]
パラメータ化ハミルトンの基底状態の合成に基づく量子データ埋め込みプロトコルを提案する。
基底状態の埋め込みは、量子ビットの数で急速に増加するスペクトルで効果的に記述できることを示す。
論文 参考訳（メタデータ） (2024-04-10T17:17:05Z) - Machine Learning Aided Dimensionality Reduction towards a Resource
Efficient Projective Quantum Eigensolver [0.0]
近年,分子系の基底状態エネルギーを計算するためのエレガントな手法として,PQE (Projective Quantum Eigensolver) が提案されている。
我々は、この2つのパラメータの集合的相互作用を機械学習技術を用いて利用し、相乗的相互関係を導出した。
論文 参考訳（メタデータ） (2023-03-20T16:49:56Z) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳（メタデータ） (2022-12-12T15:06:32Z) - Photonic Quantum Computing For Polymer Classification [62.997667081978825]
2つのポリマークラス (VIS) と近赤外 (NIR) は, ポリマーギャップの大きさに基づいて定義される。
高分子構造の二項分類に対する古典量子ハイブリッド手法を提案する。
論文 参考訳（メタデータ） (2022-11-22T11:59:52Z) - Well-conditioned multi-product formulas for hardware-friendly
Hamiltonian simulation [1.433758865948252]
ハードウェアを増幅せず、エラーをサンプリングしないMPFの設計方法を示し、その性能を実証する。
本稿では,Pauli Twirlingによるハードウェアノイズの抑制,パルス効率の変換,スケールしたクロス共振パルスに基づく新しいゼロノイズ外挿による製品公式アプローチと比較して,最大1桁の誤差低減を観測する。
論文 参考訳（メタデータ） (2022-07-22T18:00:05Z) - Generalization Metrics for Practical Quantum Advantage in Generative
Models [68.8204255655161]
生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。
我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。
シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
論文 参考訳（メタデータ） (2022-01-21T16:35:35Z) - Quantum-Classical Hybrid Algorithm for the Simulation of All-Electron
Correlation [58.720142291102135]
本稿では、分子の全電子エネルギーと古典的コンピュータ上の特性を計算できる新しいハイブリッド古典的アルゴリズムを提案する。
本稿では,現在利用可能な量子コンピュータ上で,化学的に関連性のある結果と精度を実現する量子古典ハイブリッドアルゴリズムの能力を実証する。
論文 参考訳（メタデータ） (2021-06-22T18:00:00Z) - Quantum Variational Learning of the Entanglement Hamiltonian [0.0]
絡み合いハミルトニアン(EH)の構造を学ぶことは、アナログ量子シミュレーションにおける量子多体状態の特徴付けの中心である。
量子デバイス上で物理的に実現された多体ハミルトニアンの空間的変形が局所的なEHに対する効率的な変分アンサッツとして機能するプロトコルについて述べる。
我々は準1次元測地におけるフェルミ・ハッバードモデルの基底状態のプロトコルをシミュレートし、ビソニャーノ・ヴィヒマン予想とEHの優れた一致を見出した。
論文 参考訳（メタデータ） (2021-05-10T12:54:50Z) - Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。
どちらの手法もエネルギーと基底状態の優れた推定値を提供する。
勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
論文 参考訳（メタデータ） (2020-11-02T19:52:04Z) - Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。
シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。
これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
論文 参考訳（メタデータ） (2020-09-28T17:21:25Z)
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。