論文の概要: Quantum-Classical Hybrid Molecular Autoencoder for Advancing Classical Decoding

• arxiv url: http://arxiv.org/abs/2508.19394v1
• Date: Tue, 26 Aug 2025 19:39:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.411816
• Title: Quantum-Classical Hybrid Molecular Autoencoder for Advancing Classical Decoding
• Title（参考訳）: 量子古典的ハイブリッド分子オートエンコーダによる古典的復号化
• Authors: Afrar Jahin, Yi Pan, Yingfeng Wang, Tianming Liu, Wei Zhang,
• Abstract要約: 本稿では,量子符号化と古典的シーケンスモデリングを統合したSMILES再構成のためのハイブリッド量子古典アーキテクチャを提案する。 提案手法では, 量子忠実度は約84%, 古典的再構成類似度は60%であり, 既存の量子ベースラインを超えている。
• 参考スコア（独自算出の注目度）: 11.627919867400905
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although recent advances in quantum machine learning (QML) offer significant potential for enhancing generative models, particularly in molecular design, a large array of classical approaches still face challenges in achieving high fidelity and validity. In particular, the integration of QML with sequence-based tasks, such as Simplified Molecular Input Line Entry System (SMILES) string reconstruction, remains underexplored and usually suffers from fidelity degradation. In this work, we propose a hybrid quantum-classical architecture for SMILES reconstruction that integrates quantum encoding with classical sequence modeling to improve quantum fidelity and classical similarity. Our approach achieves a quantum fidelity of approximately 84% and a classical reconstruction similarity of 60%, surpassing existing quantum baselines. Our work lays a promising foundation for future QML applications, striking a balance between expressive quantum representations and classical sequence models and catalyzing broader research on quantum-aware sequence models for molecular and drug discovery.
• Abstract（参考訳）: 量子機械学習(QML)の最近の進歩は、特に分子設計において、生成モデルを強化する大きな可能性を秘めているが、多くの古典的アプローチは、高い忠実性と妥当性を達成する上で依然として課題に直面している。 特に、Simplified Molecular Input Line Entry System (SMILES) 文字列再構成のようなシーケンスベースのタスクとQMLの統合は未検討であり、通常は忠実度劣化に悩まされる。 本研究では、SMILES再構成のためのハイブリッドな量子古典的アーキテクチャを提案し、量子符号化と古典的シーケンスモデリングを統合し、量子忠実性と古典的類似性を改善する。 提案手法では, 量子忠実度は約84%, 古典的再構成類似度は60%であり, 既存の量子ベースラインを超えている。 我々の研究は、表現力のある量子表現と古典的なシーケンスモデルとのバランスを保ち、分子および薬物発見のための量子認識シーケンスモデルに関するより広範な研究を触媒する、将来のQMLアプリケーションのための有望な基盤を築き上げた。

関連論文リスト

• Hybrid Quantum--Classical Machine Learning Potential with Variational Quantum Circuits [0.0]
  ハイブリッド量子古典アルゴリズムは、従来のニューラルネットワークと今日のノイズの多い中間スケール量子(NISQ)ハードウェア上で動作する変分量子回路(VQC)を組み合わせる。 ここでは、液体シリコンの密度汎関数理論(DFT)特性を予測するためのハイブリッド量子古典的アルゴリズムに対して、純粋に古典的E(3)-equi-variant Message-passing Machine Learning potential(MLP)をベンチマークする。
  論文  参考訳（メタデータ） (2025-08-06T05:30:25Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
  変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。 それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。 この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Operationally classical simulation of quantum states [41.94295877935867]
  古典的な状態準備装置は重ね合わせを発生できないため、出力された状態は通勤しなければならない。 このようなシミュレーションは存在しないことを示し、量子コヒーレンスを証明している。 我々のアプローチは、量子状態がいかにして、いかにして古典的デバイスに基づくジェネリックモデルをデファクトするかを理解するための道のりである。
  論文  参考訳（メタデータ） (2025-02-03T15:25:03Z)
• Quantum-Enhanced Attention Mechanism in NLP: A Hybrid Classical-Quantum Approach [0.0]
  本稿では,量子化されたアテンション機構を標準の古典的アーキテクチャに組み込んだ,古典量子変換器のハイブリッドモデルを提案する。 様々なNLPベンチマークにおいて,このアプローチの有効性を実証し,効率と表現能力の両面で改善したことを示す。
  論文  参考訳（メタデータ） (2025-01-26T18:29:06Z)
• Benefiting from Quantum? A Comparative Study of Q-Seg, Quantum-Inspired Techniques, and U-Net for Crack Segmentation [41.01256771536732]
  本研究は, クラックセグメンテーションの古典モデルと比較して, 量子および量子に着想を得た手法の性能を評価する。 以上の結果から,量子インスパイアされた量子法と量子法は,特に複雑なクラックパターンに対して,画像セグメンテーションに有望な代替手段を提供し,近未来の応用に応用できることが示唆された。
  論文  参考訳（メタデータ） (2024-10-14T16:51:59Z)
• LatentQGAN: A Hybrid QGAN with Classical Convolutional Autoencoder [7.945302052915863]
  量子機械学習の潜在的な応用は、古典的なデータを生成するために量子コンピュータのパワーを利用することである。 本稿では,自己エンコーダと結合したハイブリッド量子古典的GANを用いた新しい量子モデルであるLatntQGANを提案する。
  論文  参考訳（メタデータ） (2024-09-22T23:18:06Z)
• 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)
• 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)
• 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)

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。