論文の概要: Hybrid Quantum Neural Networks for Efficient Protein-Ligand Binding Affinity Prediction

• arxiv url: http://arxiv.org/abs/2509.11046v1
• Date: Sun, 14 Sep 2025 02:20:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.884217
• Title: Hybrid Quantum Neural Networks for Efficient Protein-Ligand Binding Affinity Prediction
• Title（参考訳）: タンパク質-リガンド結合親和性予測のためのハイブリッド量子ニューラルネットワーク
• Authors: Seon-Geun Jeong, Kyeong-Hwan Moon, Won-Joo Hwang,
• Abstract要約: アフィニティ予測に関わる高性能な要求と膨大なデータセットは、ますます大きなAIモデルを必要としている。 これらの課題に対する有望な解決策として量子機械学習が登場した。 本研究では、非線形関数を近似する能力を実証的に示すハイブリッド量子ニューラルネットワーク(HQNN)を提案する。
• 参考スコア（独自算出の注目度）: 0.8957579200590984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Protein-ligand binding affinity is critical in drug discovery, but experimentally determining it is time-consuming and expensive. Artificial intelligence (AI) has been used to predict binding affinity, significantly accelerating this process. However, the high-performance requirements and vast datasets involved in affinity prediction demand increasingly large AI models, requiring substantial computational resources and training time. Quantum machine learning has emerged as a promising solution to these challenges. In particular, hybrid quantum-classical models can reduce the number of parameters while maintaining or improving performance compared to classical counterparts. Despite these advantages, challenges persist: why hybrid quantum models achieve these benefits, whether quantum neural networks (QNNs) can replace classical neural networks, and whether such models are feasible on noisy intermediate-scale quantum (NISQ) devices. This study addresses these challenges by proposing a hybrid quantum neural network (HQNN) that empirically demonstrates the capability to approximate non-linear functions in the latent feature space derived from classical embedding. The primary goal of this study is to achieve a parameter-efficient model in binding affinity prediction while ensuring feasibility on NISQ devices. Numerical results indicate that HQNN achieves comparable or superior performance and parameter efficiency compared to classical neural networks, underscoring its potential as a viable replacement. This study highlights the potential of hybrid QML in computational drug discovery, offering insights into its applicability and advantages in addressing the computational challenges of protein-ligand binding affinity prediction.
• Abstract（参考訳）: タンパク質-リガンド結合親和性は薬物発見において重要であるが、実験的に時間と費用がかかると判断する。 人工知能(AI)は結合親和性を予測するために使われており、このプロセスは著しく加速している。 しかし、アフィニティ予測に関わる高性能な要求と膨大なデータセットは、より大規模なAIモデルを必要とし、かなりの計算資源とトレーニング時間を必要としている。 これらの課題に対する有望な解決策として量子機械学習が登場した。 特に、ハイブリッド量子古典モデルは、古典的なモデルに比べて性能を維持したり改善したりしながら、パラメータの数を減らすことができる。 これらの利点にもかかわらず、なぜハイブリッド量子モデルがこれらの利点を達成するのか、量子ニューラルネットワーク(QNN)が古典的なニューラルネットワークを置き換えることができるのか、そしてそのようなモデルはノイズの多い中間スケール量子(NISQ)デバイスで実現可能であるのか、といった課題が続いている。 本研究では、古典的な埋め込みから導かれる潜在特徴空間において非線形関数を近似する能力を実証的に実証するハイブリッド量子ニューラルネットワーク(HQNN)を提案することにより、これらの課題に対処する。 本研究の主な目的は,NISQデバイス上での信頼性を確保しつつ,結合親和性予測におけるパラメータ効率モデルを実現することである。 数値的な結果から、HQNNは従来のニューラルネットワークと比較して同等あるいは優れた性能とパラメータ効率を実現しており、その可能性を代替可能な可能性を示している。 本研究は, タンパク質-リガンド結合親和性予測の計算課題に対処する上で, その適用性および利点について考察した。

関連論文リスト

• Hybrid Quantum Recurrent Neural Network For Remaining Useful Life Prediction [67.410870290301]
  本稿では、量子長短期記憶層と古典的な高密度層を組み合わせたハイブリッド量子リカレントニューラルネットワークフレームワークを提案する。 実験の結果、トレーニング可能なパラメータが少ないにもかかわらず、Hybrid Quantum Recurrent Neural Networkは、リカレントニューラルネットワークよりも最大5%改善できることがわかった。
  論文  参考訳（メタデータ） (2025-04-29T14:41:41Z)
• Advancing Spatio-Temporal Processing in Spiking Neural Networks through Adaptation [6.233189707488025]
  ニューロモルフィックハードウェア上のニューラルネットワークは、非喫煙者よりも消費電力の少ないオーダーを約束する。 このようなシステム上でのスパイクベースの計算のための標準的なニューロンモデルは、長い間、統合と火災(LIF)ニューロンであった。 いわゆるアダプティブLIFニューロンの根源はよく分かっていない。
  論文  参考訳（メタデータ） (2024-08-14T12:49:58Z)
• Studying the Impact of Quantum-Specific Hyperparameters on Hybrid Quantum-Classical Neural Networks [4.951980887762045]
  ハイブリッド量子古典ニューラルネットワーク(HQNN)は、古典的な機械学習の強みと量子コンピューティング能力を組み合わせた、有望なソリューションである。 本稿では,PennyLaneフレームワーク上に実装された画像分類タスクのHQNNモデルに対して,これらのバリエーションが与える影響について検討する。 我々は,HQNNモデルの直感的および直感的学習パターンを制御された量子摂動の粒度レベル内で明らかにし,精度とトレーニング時間との相関関係の健全な基盤を構築することを目的としている。
  論文  参考訳（メタデータ） (2024-02-16T11:44:25Z)
• A hybrid quantum-classical fusion neural network to improve protein-ligand binding affinity predictions for drug discovery [0.0]
  本稿では,薬物発見における親和性予測に適したハイブリッド量子古典的深層学習モデルを提案する。 具体的には、最適化量子アーキテクチャにおいて、3次元および空間グラフ畳み込みニューラルネットワークを相乗的に統合する。 シミュレーションの結果、既存の古典的モデルと比較して予測精度が6%向上し、従来の古典的手法に比べてはるかに安定した収束性能を示した。
  論文  参考訳（メタデータ） (2023-09-06T11:56:33Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• Symmetric Pruning in Quantum Neural Networks [111.438286016951]
  量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。 ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。 本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
  論文  参考訳（メタデータ） (2022-08-30T08:17:55Z)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)

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。