論文の概要: The Convergence Frontier: Integrating Machine Learning and High Performance Quantum Computing for Next-Generation Drug Discovery

• arxiv url: http://arxiv.org/abs/2603.17790v2
• Date: Thu, 19 Mar 2026 17:44:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 14:52:42.16278
• Title: The Convergence Frontier: Integrating Machine Learning and High Performance Quantum Computing for Next-Generation Drug Discovery
• Title（参考訳）: 収束フロンティア:次世代医薬品発見のための機械学習と高性能量子コンピューティングの統合
• Abstract要約: 量子力学を薬物発見に統合することは、経験的試行錯誤から量的精度への決定的なシフトを示す。 アブ初期分子動力学の禁止コストは、化学的精度と計算スケーラビリティの妥協を迫られた。 本稿では,ハイパフォーマンスコンピューティング,機械学習,量子コンピューティングの収束を,このボトルネックに対する決定的な解決策として挙げる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Integrating quantum mechanics into drug discovery marks a decisive shift from empirical trial-and-error toward quantitative precision. However, the prohibitive cost of ab initio molecular dynamics has historically forced a compromise between chemical accuracy and computational scalability. This paper identifies the convergence of High-Performance Computing (HPC), Machine Learning (ML), and Quantum Computing (QC) as the definitive solution to this bottleneck. While ML foundation models, such as FeNNix-Bio1, enable quantum-accurate simulations, they remain tethered to the inherent limits of classical data generation. We detail how High-Performance Quantum Computing (HPQC), utilizing hybrid QPU-GPU architectures, will serve as the ultimate accelerator for quantum chemistry data. By leveraging Hilbert space mapping, these systems can achieve true chemical accuracy while bypassing the heuristics of classical approximations. We show how this tripartite convergence optimizes the drug discovery pipeline, spanning from initial system preparation to ML-driven, high-fidelity simulations. Finally, we position quantum-enhanced sampling as the beyond GPU frontier for modeling reactive cellular systems and pioneering next-generation materials.
• Abstract（参考訳）: 量子力学を薬物発見に統合することは、経験的試行錯誤から量的精度への決定的なシフトを示す。 しかし、アブ初期分子動力学の禁止コストは、歴史的に化学精度と計算スケーラビリティの妥協を迫られてきた。 本稿では、ハイパフォーマンスコンピューティング(HPC)、機械学習(ML)、量子コンピューティング(QC)の収束を、このボトルネックに対する決定的な解決策として挙げる。 FeNNix-Bio1のようなML基盤モデルは量子精度のシミュレーションを可能にするが、それらは古典的なデータ生成の本質的な限界に結びついている。 ハイブリッドQPU-GPUアーキテクチャを利用するHPQC(High-Performance Quantum Computing)が、量子化学データの究極の加速器となるのかを詳述する。 ヒルベルト空間マッピングを利用することで、これらの系は古典近似のヒューリスティックスをバイパスしながら真の化学的精度を達成することができる。 この三部体収束は、初期システム準備からML駆動の高忠実度シミュレーションまで、どのように薬物発見パイプラインを最適化するかを示す。 最後に、反応するセルシステムのモデリングと次世代材料の開拓のためのGPUフロンティアとして量子強化サンプリングを位置づける。

関連論文リスト

• $\mathtt{Q^2SAR}$: overcoming classical bottlenecks in drug discovery via quantum multiple kernel learning [39.146761527401424]
  我々はNextGen $mathttQMKL$という量子多重カーネル学習フレームワークを提案する。 分子記述子を大きなヒルベルト空間に符号化することにより、我々のアプローチは非線形モデリングを大幅に強化する。 量子コンピューティングが成熟するにつれて、このフレームワークは、自律的な薬物発見と認知アーキテクチャの道を開いた。
  論文  参考訳（メタデータ） (2026-07-13T15:33:05Z)
• Physics Informed Generative Machine Learning for Accelerated Quantum-centric Supercomputing [0.46906883107634084]
  PIGen-SQDは、生成機械学習(ML)の機能を利用する、効率的に設計された量子スーパーコンピュータ(QCSC)ワークフローである。 PIGen-SQDはQCSCアルゴリズムの堅牢性とスケーラビリティを向上し、実用規模の量子ハードウェア上での化学的に信頼性の高い量子シミュレーションへの有望な経路を提供する。
  論文  参考訳（メタデータ） (2025-12-07T14:27:12Z)
• Molecular resonance identification in complex absorbing potentials via integrated quantum computing and high-throughput computing [36.94429692322632]
  本研究では,分子共鳴同定の問題を量子-古典的量子固有解法のハイブリッドネットワークに抽出するために,複素吸収ポテンシャル形式を利用したアルゴリズムを開発した。 シミュレーション量子プロセッサにおける共振エネルギーと波動関数を,現在および計画中の仕様で同定する。
  論文  参考訳（メタデータ） (2025-11-20T02:28:05Z)
• Qumode-Based Variational Quantum Eigensolver for Molecular Excited States [43.148034499498586]
  分子励起状態を計算するためのハイブリッド量子古典アルゴリズムであるQumode Subspace Variational Quantum Eigensolver (QSS-VQE)を紹介する。 本研究では, ジヒドロゲンおよびシトシンの円錐交差を含む分子励起状態のシミュレーションによるQSS-VQEの性能を示す。
  論文  参考訳（メタデータ） (2025-09-05T00:53:51Z)
• FD4QC: Application of Classical and Quantum-Hybrid Machine Learning for Financial Fraud Detection A Technical Report [36.1999598554273]
  本稿では、古典的、量子的、量子ハイブリッドな機械学習モデルによる不正な金融活動のバイナリな行動分類の有効性について検討・比較する。 我々は、IBM Anti-Money Laundering (AML)データセット上で、さまざまなモデルを実装し、評価する。 実世界展開用に設計された実用的なAPI駆動システムアーキテクチャであるFD4QC(Fraud Detection for Quantum Computing)を提案する。
  論文  参考訳（メタデータ） (2025-07-25T16:08:22Z)
• Quantum QSAR for drug discovery [41.94295877935867]
  量的構造-活性関係(QSAR)モデリングは、薬物発見の鍵となる。 本研究では,量子支援ベクトルマシン(QSVM)によるQSAR技術の向上を提案する。 量子データ符号化と量子カーネル関数を用いて,より正確かつ効率的な予測モデルの構築を目指す。
  論文  参考訳（メタデータ） (2025-05-06T17:58:33Z)
• Assessing Tensor Network Quantum Emulators for Hamiltonian Simulation of Pharmaceutical Molecules: Challenges and Limitations in Drug Discovery Applications [0.0]
  量子コンピューティングは、特に薬物発見において、計算化学シミュレーションの革命を約束する。 現在の量子ハードウェアはノイズとスケールによって制限されており、ブリッジ技術を必要とする。 本研究は、ハミルトンシミュレーションのためのテンソルネットワーク量子エミュレータの初期評価を提供する。
  論文  参考訳（メタデータ） (2025-04-15T17:14:01Z)
• Training Hybrid Deep Quantum Neural Network for Efficient Reinforcement Learning [3.753031740069576]
  量子回路は、次元が指数関数的に増加するヒルベルト空間にデータを埋め込む。 量子回路を局所的に近似する有接サロゲートqtDNNを導入する。 我々は、連続制御強化学習のためのハイブリッドディープ量子ニューラルネットワークhDQNN-TD3を設計する。
  論文  参考訳（メタデータ） (2025-03-12T07:12:02Z)
• Robust Quantum Reservoir Computing for Molecular Property Prediction [0.5399129278613575]
  本稿では,潜在的な薬物分子の生物活性を予測するために,量子貯水池計算(QRC)手法を提案する。 データセットのサイズが小さくなるにつれて、より堅牢なQRC性能が観察される。 さらに、一様多様体近似と射影法を利用して、古典的特徴が量子力学によって変換されるときの構造変化を分析する。
  論文  参考訳（メタデータ） (2024-12-09T18:49:18Z)
• 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)
• Calculating the energy profile of an enzymatic reaction on a quantum computer [0.0]
  量子コンピューティングは、量子化学計算を可能にするための有望な道を提供する。 最近の研究は、ノイズ中間量子(NISQ)デバイスのためのアルゴリズムの開発とスケーリングに向けられている。
  論文  参考訳（メタデータ） (2024-08-20T18:00:01Z)
• Non-unitary Coupled Cluster Enabled by Mid-circuit Measurements on Quantum Computers [37.69303106863453]
  本稿では,古典計算機における量子化学の柱である結合クラスタ(CC)理論に基づく状態準備法を提案する。 提案手法は,従来の計算オーバーヘッドを低減し,CNOTおよびTゲートの数を平均で28%,57%削減する。
  論文  参考訳（メタデータ） (2024-06-17T14:10:10Z)
• Estimating Phosphorescent Emission Energies in Ir(III) Complexes using Large-Scale Quantum Computing Simulations [0.0]
  9個のイリジウム錯体の遷移エネルギーの計算に、古典的ハードウェアに反復的クビット結合クラスタ(iQCC)法を適用した。 我々のシミュレーションでは、72個の完全連結かつ誤り訂正された論理量子ビットを持つゲートベースの量子コンピュータが必要である。 iQCC量子法は、微調整DFT関数の精度と一致し、ピアソン相関係数が良く、体系的な改善の可能性がまだ高い。
  論文  参考訳（メタデータ） (2021-11-07T20:02:10Z)

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。