Fugu-MT 論文翻訳(概要): QCA-MolGAN: Quantum Circuit Associative Molecular GAN with Multi-Agent Reinforcement Learning

論文の概要: QCA-MolGAN: Quantum Circuit Associative Molecular GAN with Multi-Agent Reinforcement Learning

arxiv url: http://arxiv.org/abs/2509.05051v1
Date: Fri, 05 Sep 2025 12:31:58 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-08 14:27:25.586691
Title: QCA-MolGAN: Quantum Circuit Associative Molecular GAN with Multi-Agent Reinforcement Learning
Title（参考訳）: QCA-MolGAN:マルチエージェント強化学習による量子回路結合分子GAN
Authors: Aaron Mark Thomas, Yu-Cheng Chen, Hubert Okadome Valencia, Sharu Theresa Jose, Ronin Wu,
Abstract要約: この研究は、QCA-MolGAN(英語版)と呼ばれる新しい量子回路Born Machine(英語版) (QCBM) を利用した創発的アドリバーサネットワーク(英語版) (GAN) を提案し、薬物のような分子を生成する。 QCBMは学習可能な事前分布として機能し、GANS識別器が取得した高次特徴と整合した潜在空間を定義するために連想的に訓練される。分子生成を目的とする目的特性を導出するために,新しいマルチエージェント強化学習ネットワークを統合する。
参考スコア（独自算出の注目度）: 2.2463678997251604
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Navigating the vast chemical space of molecular structures to design novel drug molecules with desired target properties remains a central challenge in drug discovery. Recent advances in generative models offer promising solutions. This work presents a novel quantum circuit Born machine (QCBM)-enabled Generative Adversarial Network (GAN), called QCA-MolGAN, for generating drug-like molecules. The QCBM serves as a learnable prior distribution, which is associatively trained to define a latent space aligning with high-level features captured by the GANs discriminator. Additionally, we integrate a novel multi-agent reinforcement learning network to guide molecular generation with desired targeted properties, optimising key metrics such as quantitative estimate of drug-likeness (QED), octanol-water partition coefficient (LogP) and synthetic accessibility (SA) scores in conjunction with one another. Experimental results demonstrate that our approach enhances the property alignment of generated molecules with the multi-agent reinforcement learning agents effectively balancing chemical properties.
Abstract（参考訳）: 分子構造の広大な化学空間をナビゲートして、望ましい標的特性を持つ新規な薬物分子を設計することは、薬物発見における中心的な課題である。生成モデルの最近の進歩は、有望な解決策を提供する。この研究は、QCA-MolGAN(英語版)と呼ばれる新しい量子回路Born Machine(英語版) (QCBM) により、薬物様分子を生成するためのGAN (Generative Adversarial Network) を提案する。 QCBMは学習可能な事前分布として機能し、GANS識別器によって取得された高次特徴と整合した潜在空間を定義するために連想的に訓練される。さらに,分子生成を目的とする目的特性を導出する新しいマルチエージェント強化学習ネットワークを統合し,薬物類似度(QED)の定量推定,オクタノール水分配係数(LogP),合成アクセシビリティ(SA)スコアなどの重要な指標を最適化する。提案手法は, 化学特性を効果的にバランスさせる多エージェント強化学習剤を用いて, 生成分子の特性アライメントを高めることを実証した。

関連論文リスト

Agentic reinforcement learning empowers next-generation chemical language models for molecular design and synthesis [51.83339196548892]
ChemCraftは、知識ストレージから化学推論を分離する新しいフレームワークである。 ChemCraftは最小の推論コストで優れたパフォーマンスを実現する。この研究は、AI支援化学のコスト効率とプライバシ保護のパラダイムを確立する。
論文参考訳（メタデータ） (2026-01-25T04:23:34Z)
A Reinforcement Learning-Driven Transformer GAN for Molecular Generation [6.397243531623856]
本研究では,これらの課題に対処するために,トランスフォーマーをベースとした新しい離散GANフレームワークであるRL-MolGANを紹介する。従来のTransformerとは異なり、RL-MolGANは最初のデコーダ-then-encoder構造を利用して、$denovo$と足場ベースの設計の両方から薬物のような分子を生成する。さらに、RL-MolGANは強化学習(RL)とモンテカルロ木探索(MCTS)技術を統合し、GANトレーニングの安定性を高め、生成分子の化学的性質を最適化する。
論文参考訳（メタデータ） (2025-03-17T04:06:10Z)
InversionGNN: A Dual Path Network for Multi-Property Molecular Optimization [77.79862482208326]
InversionGNNは、多目的薬物発見のための有効だがサンプル効率のよいデュアルパスグラフニューラルネットワーク(GNN)である。関数群の最適組み合わせに関する知識を得るために,マルチプロパティ予測のためのモデルを訓練する。そして、学習された化学知識は、インバージョン生成経路が要求される性質を持つ分子を生成するのに役立つ。
論文参考訳（メタデータ） (2025-03-03T12:53:36Z)
Auxiliary Discrminator Sequence Generative Adversarial Networks (ADSeqGAN) for Few Sample Molecule Generation [0.6339750087526286]
Auxiliary Discriminator Sequence Generative Adversarial Networks (ADSeqGAN) は、小さなサンプルデータセットにおける分子生成の新しいアプローチである。本手法は, 予訓練発電機とワッサースタイン距離を組み, 訓練安定性と多様性を向上させる。我々は,ADSeqGANの合成核酸ターゲティングおよびCNS薬物生成への応用を実証した。
論文参考訳（メタデータ） (2025-02-23T05:22:53Z)
Mol-AIR: Molecular Reinforcement Learning with Adaptive Intrinsic Rewards for Goal-directed Molecular Generation [0.0]
Mol-AIRは、ゴール指向分子生成のための適応型固有報酬を用いた強化学習ベースのフレームワークである。ベンチマークテストでは、Moll-AIRは所望の特性を持つ分子を生成する既存のアプローチよりも優れた性能を示す。
論文参考訳（メタデータ） (2024-03-29T10:44:51Z)
Hybrid quantum cycle generative adversarial network for small molecule generation [0.0]
本研究は、パラメタライズド量子回路の既知の分子生成逆数ネットワークへの工学的統合に基づく、いくつかの新しい生成逆数ネットワークモデルを導入する。導入された機械学習モデルには、強化学習原理に基づく新しいマルチパラメータ報酬関数が組み込まれている。
論文参考訳（メタデータ） (2023-12-28T14:10:26Z)
Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文参考訳（メタデータ） (2023-06-09T03:04:21Z)
Exploring the Advantages of Quantum Generative Adversarial Networks in Generative Chemistry [8.98977891798507]
我々は小分子発見のためのハイブリッド量子古典生成逆数ネットワーク(GAN)を提案した。我々は,GANの各素子を可変量子回路(VQC)で置換し,小型薬物発見における量子的優位性を実証した。
論文参考訳（メタデータ） (2022-10-30T11:57:56Z)
LIMO: Latent Inceptionism for Targeted Molecule Generation [14.391216237573369]
本研究は,分子発生を極めて促進する分子発生機構であるLIMO(Latent Inceptionism on Molecules)について述べる。総合的な実験により、LIMOはベンチマークタスクで競争力を発揮することが示された。生成した薬物様化合物の1つが、ヒトエストロゲン受容体に対して6～14ドルのK_D$を予測している。
論文参考訳（メタデータ） (2022-06-17T21:05:58Z)
Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文参考訳（メタデータ） (2022-06-06T06:17:11Z)
Hybrid quantum-classical machine learning for generative chemistry and drug design [0.0]
そこで我々は,Boltzmann Machine (RBM) を用いた小型離散分散変分オートエンコーダを構築した。医薬化学および合成アクセシビリティ特性を有する新規な2331の化学構造を創出する。結果は、既に存在するか、あるいはすぐに利用可能となる量子コンピューティングデバイスを、将来の薬物発見アプリケーションのためのテストベッドとして使用できる可能性を示している。
論文参考訳（メタデータ） (2021-08-26T08:23:32Z)
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)

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。