論文の概要: Molecular Design beyond Training Data with Novel Extended Objective Functionals of Generative AI Models Driven by Quantum Annealing Computer

• arxiv url: http://arxiv.org/abs/2602.15451v1
• Date: Tue, 17 Feb 2026 09:38:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:18.021491
• Title: Molecular Design beyond Training Data with Novel Extended Objective Functionals of Generative AI Models Driven by Quantum Annealing Computer
• Title（参考訳）: 量子アニーリングコンピュータによる生成AIモデルの新たな拡張目的関数を用いた学習データ以外の分子設計
• Authors: Hayato Kunugi, Mohsen Rahmani, Yosuke Iyama, Yutaro Hirono, Akira Suma, Matthew Woolway, Vladimir Vargas-Calderón, William Kim, Kevin Chern, Mohammad Amin, Masaru Tateno,
• Abstract要約: 我々はD-Wave量子アニールコンピュータと統合された深部生成モデルの最適化のための新しいフレームワークを開発する。 量子アニール生成モデルで生成した化合物は、完全古典的モデルで生成した化合物よりも妥当性と薬物類似性の両方において高い品質を示した。
• 参考スコア（独自算出の注目度）: 0.4242939794388292
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep generative modeling to stochastically design small molecules is an emerging technology for accelerating drug discovery and development. However, one major issue in molecular generative models is their lower frequency of drug-like compounds. To resolve this problem, we developed a novel framework for optimization of deep generative models integrated with a D-Wave quantum annealing computer, where our Neural Hash Function (NHF) presented herein is used both as the regularization and binarization schemes simultaneously, of which the latter is for transformation between continuous and discrete signals of the classical and quantum neural networks, respectively, in the error evaluation (i.e., objective) function. The compounds generated via the quantum-annealing generative models exhibited higher quality in both validity and drug-likeness than those generated via the fully-classical models, and was further indicated to exceed even the training data in terms of drug-likeness features, without any restraints and conditions to deliberately induce such an optimization. These results indicated an advantage of quantum annealing to aim at a stochastic generator integrated with our novel neural network architectures, for the extended performance of feature space sampling and extraction of characteristic features in drug design.
• Abstract（参考訳）: 小さな分子を確率的に設計するための深い生成モデリングは、薬物発見と開発を加速する新しい技術である。 しかし、分子生成モデルにおける1つの大きな問題は、薬物のような化合物の頻度が低いことである。 この問題を解決するために、我々はD-Wave量子アニーリングコンピュータと統合された深部生成モデルの最適化のための新しいフレームワークを開発し、ここで提示されたニューラルハッシュ関数(NHF)を正規化と二項化のスキームを同時に使用し、後者は古典的ニューラルネットワークの連続信号と離散的信号の変換であり、エラー評価(すなわち、目的)関数である。 量子アニーリング生成モデルを用いて生成した化合物は、完全古典的モデルにより生成した化合物よりも妥当性と薬物類似性の両方の高い品質を示し、さらに、そのような最適化を意図的に誘導する抑制や条件を伴わずに、薬物類似性の特徴の観点から訓練データでさえも超えることを示した。 これらの結果から,新しいニューラルネットワークアーキテクチャと統合された確率的ジェネレータを目標とする量子アニールの利点が示唆された。

関連論文リスト

• Hybrid Quantum Neural Networks for Efficient Protein-Ligand Binding Affinity Prediction [0.8957579200590984]
  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。
  論文  参考訳（メタデータ） (2025-09-14T02:20:21Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Solving the Hubbard model with Neural Quantum States [66.55653324211542]
  ダッピングされた2次元ハバードモデルに対する最先端結果について検討した。 NQSアンサッツの異なるアテンションヘッドは、異なるスケールで直接相関を符号化することができる。 我々の研究は、マルチフェミオンシステムに挑戦する強力なツールとしてNQSを確立します。
  論文  参考訳（メタデータ） (2025-07-03T14:08:25Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Voltage-Controlled Magnetoelectric Devices for Neuromorphic Diffusion Process [16.860757640432897]
  我々は、ニューロモルフィック拡散プロセスのためのスピントロニック電圧制御磁気メモリハードウェアを開発した。 磁気メモリの非揮発性により,高速かつ低コストな計算が可能となる。
  論文  参考訳（メタデータ） (2024-07-17T02:14:22Z)
• Fully Spiking Denoising Diffusion Implicit Models [61.32076130121347]
  スパイキングニューラルネットワーク(SNN)は、超高速のニューロモルフィックデバイス上で走る能力のため、かなりの注目を集めている。 本研究では,SNN内で拡散モデルを構築するために,拡散暗黙モデル (FSDDIM) を完全にスパイクする新しい手法を提案する。 提案手法は,最先端の完全スパイク生成モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-04T09:07:09Z)
• Quantum-Noise-Driven Generative Diffusion Models [1.6385815610837167]
  実量子システムで実験的に検証できる3つの量子ノイズ駆動生成拡散モデルを提案する。 アイデアは、特にコヒーレンス、絡み合い、ノイズの間の非自明な相互作用を、ユニークな量子的特徴を活用することである。 我々の結果は、新しい量子インスパイアされた、あるいは量子ベースの生成拡散アルゴリズムの道を開くことが期待されている。
  論文  参考訳（メタデータ） (2023-08-23T09:09:32Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)

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。