論文の概要: Quantum Neural Network applications to Protein Binding Affinity Predictions

• arxiv url: http://arxiv.org/abs/2508.03446v1
• Date: Tue, 05 Aug 2025 13:47:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:55.987008
• Title: Quantum Neural Network applications to Protein Binding Affinity Predictions
• Title（参考訳）: タンパク質結合親和性予測への量子ニューラルネットワークの適用
• Authors: Erico Souza Teixeira, Lucas Barros Fernandes, Yara Rodrigues Inácio,
• Abstract要約: 量子ニューラルネットワーク(QNN)が研究の焦点となっている。 本研究では,多層パーセプトロンを用いた量子ニューラルネットワークの30種類のバリエーションを提案する。 その結果、量子モデルは1つの未知のデータセットに対して約20%高い精度で達成された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Binding energy is a fundamental thermodynamic property that governs molecular interactions, playing a crucial role in fields such as healthcare and the natural sciences. It is particularly relevant in drug development, vaccine design, and other biomedical applications. Over the years, various methods have been developed to estimate protein binding energy, ranging from experimental techniques to computational approaches, with machine learning making significant contributions to this field. Although classical computing has demonstrated strong results in constructing predictive models, the variation of quantum computing for machine learning has emerged as a promising alternative. Quantum neural networks (QNNs) have gained traction as a research focus, raising the question of their potential advantages in predicting binding energies. To investigate this potential, this study explored the feasibility of QNNs for this task by proposing thirty variations of multilayer perceptron-based quantum neural networks. These variations span three distinct architectures, each incorporating ten different quantum circuits to configure their quantum layers. The performance of these quantum models was compared with that of a state-of-the-art classical multilayer perceptron-based artificial neural network, evaluating both accuracy and training time. A primary dataset was used for training, while two additional datasets containing entirely unseen samples were employed for testing. Results indicate that the quantum models achieved approximately 20% higher accuracy on one unseen dataset, although their accuracy was lower on the other datasets. Notably, quantum models exhibited training times several orders of magnitude shorter than their classical counterparts, highlighting their potential for efficient protein binding energy prediction.
• Abstract（参考訳）: 結合エネルギーは分子間相互作用を管理する基本的な熱力学特性であり、医療や自然科学などの分野において重要な役割を果たす。 特に薬物開発、ワクチン設計、その他のバイオメディカル応用に関係している。 長年にわたり、実験技術から計算手法まで、タンパク質結合エネルギーを推定する様々な手法が開発され、機械学習はこの分野に多大な貢献をしている。 古典コンピューティングは予測モデルの構築において大きな成果を上げてきたが、機械学習のための量子コンピューティングのバリエーションは有望な代替手段として現れている。 量子ニューラルネットワーク(QNN)は研究の焦点として注目を集めており、結合エネルギーを予測する際の潜在的な利点について疑問が持ち上がっている。 そこで本研究では,30種類の多層パーセプトロン型量子ニューラルネットワークの提案により,この課題に対するQNNの実現可能性について検討した。 これらのバリエーションは3つの異なるアーキテクチャにまたがっており、それぞれ10の異なる量子回路を組み込んで量子層を構成する。 これらの量子モデルの性能は、最先端の古典的多層パーセプトロンベースの人工ニューラルネットワークと比較され、精度とトレーニング時間の両方を評価した。 トレーニングには一次データセットが使用され、テストにはまったく見えないサンプルを含む2つの追加データセットが使用された。 その結果、量子モデルは1つの未確認データセットで約20%高い精度を達成したが、他のデータセットでは精度が低かった。 特に量子モデルは、従来のものよりも数桁短いトレーニング時間を示し、効率的なタンパク質結合エネルギー予測の可能性を強調した。

関連論文リスト

• De Novo Design of Protein-Binding Peptides by Quantum Computing [44.99833362998488]
  我々は、原子的に解決された予測のために古典的および量子コンピューティングを統合するマルチスケールフレームワークを導入する。 D-Wave量子アニールは、実験とよく相関する一次構造と結合ポーズを持つ化学的に多様なバインダーの集合を急速に生成する。
  論文  参考訳（メタデータ） (2025-03-07T14:31:14Z)
• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• On the impact of key design aspects in simulated Hybrid Quantum Neural Networks for Earth Observation [46.271239108950816]
  本研究は、ハイブリッド量子モデルのトレーニングにおいて、異なる量子ライブラリがどのように振る舞うかを研究する。 また,地球観測におけるハイブリッド量子アテンションモデルの有用性についても検討した。
  論文  参考訳（メタデータ） (2024-10-11T10:04:29Z)
• Let the Quantum Creep In: Designing Quantum Neural Network Models by Gradually Swapping Out Classical Components [1.024113475677323]
  現代のAIシステムはニューラルネットワーク上に構築されることが多い。 古典的ニューラルネットワーク層を量子層に置き換える枠組みを提案する。 画像分類データセットの数値実験を行い、量子部品の体系的導入による性能変化を実証する。
  論文  参考訳（メタデータ） (2024-09-26T07:01:29Z)
• Quantum Convolutional Neural Networks with Interaction Layers for Classification of Classical Data [1.4801853435122907]
  本稿では,3量子相互作用を利用した新しい相互作用層を持つ量子畳み込みネットワークを提案する。 画像と1次元データの両方を分類するために,ネットワークの表現性とエンタングル能力について検討した。 提案手法は、MNIST、Fashion MNIST、Irisデータセットという3つの公開データセットでテストされている。
  論文  参考訳（メタデータ） (2023-07-20T20:45:44Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• 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)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• 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)
• Comparing concepts of quantum and classical neural network models for image classification task [0.456877715768796]
  本資料は、ハイブリッド量子古典ニューラルネットワークのトレーニングと性能に関する実験結果を含む。 シミュレーションは時間を要するが、量子ネットワークは時間を要するが、古典的なネットワークを克服する。
  論文  参考訳（メタデータ） (2021-08-19T18:49:30Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• Variational learning for quantum artificial neural networks [0.0]
  まず、量子プロセッサ上での人工ニューロンとフィードフォワードニューラルネットワークの実装について、最近の一連の研究を概説する。 次に、変分アンサンプリングプロトコルに基づく効率的な個別量子ノードのオリジナル実現を提案する。 メモリ効率の高いフィードフォワードアーキテクチャとの完全な互換性を維持しながら、単一ニューロンの活性化確率を決定するのに必要な量子回路深さを効果的に削減する。
  論文  参考訳（メタデータ） (2021-03-03T16:10:15Z)
• Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with an artificial neural-network correlator ansatz [62.997667081978825]
  光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。 我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
  論文  参考訳（メタデータ） (2020-07-28T14:52:28Z)

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。