論文の概要: MolPaQ: Modular Quantum-Classical Patch Learning for Interpretable Molecular Generation

• arxiv url: http://arxiv.org/abs/2604.08575v1
• Date: Fri, 27 Mar 2026 17:14:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.448569
• Title: MolPaQ: Modular Quantum-Classical Patch Learning for Interpretable Molecular Generation
• Title（参考訳）: MolPaQ: 解釈可能な分子生成のためのモジュール量子古典的パッチ学習
• Authors: Syed Rameez Naqvi, Lu Peng,
• Abstract要約: MOLPAQは量子古典的生成装置で、量子生成潜伏パッチから分子を組み立てる。 遅延批評家によるアドリラル微調整は100%RDKitの妥当性、99.75%の新規性、0.905の多様性をもたらす。
• 参考スコア（独自算出の注目度）: 0.9322836589877972
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular generative models must jointly ensure validity, diversity, and property control, yet existing approaches typically trade off among these objectives. We present MOLPAQ, a modular quantum-classical generator that assembles molecules from quantum-generated latent patches. A \b{eta}-VAE pretrained on QM9 learns a chemically aligned latent manifold; a reduced conditioner maps molecular descriptors into this space; and a parameter-efficient quantum patch generator produces entangled node embeddings that a valence-aware aggregator reconstructs into valid molecular graphs. Adversarial fine-tuning with a latent critic and chemistry-shaped reward yields 100\% RDKit validity, 99.75\% novelty, and 0.905 diversity. Beyond aggregate metrics, the pretrained quantum generator, steered by the conditioner, improves mean QED by approx. 2.3\% and increases aromatic motif incidence by approx. 10-12\% relative to a parameter-matched classical generator, highlighting its role as a compact topology-shaping operator.
• Abstract（参考訳）: 分子生成モデルは、妥当性、多様性、および特性制御を共同で保証する必要があるが、既存のアプローチは通常、これらの目的の間でトレードオフされる。 我々は,量子生成潜在パッチから分子を組み立てるモジュール型量子古典生成器MOLPAQを提案する。 QM9 上で事前訓練された \b{eta}-VAE は化学的に整列された潜在多様体を学習し、リダクションコンディショナーは分子記述子をこの空間にマッピングし、パラメータ効率の量子パッチ生成器は、原子価認識アグリゲータが有効な分子グラフに再構成する絡み合ったノード埋め込みを生成する。 副次的微調整は、潜伏した批評家と化学形状の報酬により、RDKitの妥当性が100\%、新規性が99.75\%、多様性が0.905である。 コンディショナーによって操られる事前訓練された量子ジェネレータは、アロックスによる平均QEDを改善する。 2.3\%であり、アポックスによる芳香族モチーフの出現を増加させる。 パラメータマッチングされた古典的ジェネレータに対する10-12\%は、コンパクトなトポロジ・シェイピング演算子としての役割を強調した。

関連論文リスト

• Quantum-Inspired Hamiltonian Feature Extraction for ADMET Prediction: A Simulation Study [0.0]
  分子指紋をパラメータ化ハミルトンに符号化する量子インスパイアされた特徴抽出法を提案する。 Therapeutic Data Commons (TDC) ADMETベンチマークにおいて,本手法は最先端の性能を実現する。
  論文  参考訳（メタデータ） (2026-03-03T15:42:33Z)
• QCA-MolGAN: Quantum Circuit Associative Molecular GAN with Multi-Agent Reinforcement Learning [2.2463678997251604]
  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。
  論文  参考訳（メタデータ） (2025-09-05T12:31:58Z)
• Torsional-GFN: a conditional conformation generator for small molecules [75.91029322687771]
  ボルツマン分布に比例して分子の配座をサンプリングするために特別に設計された条件付きGFlowNetを導入する。 我々の研究は、提案したアプローチをより大きな分子系に拡張するための有望な道を示す。
  論文  参考訳（メタデータ） (2025-07-15T21:53:25Z)
• Towards Accurate Mixed Quantum Classical Simulations of Vibrational Polaritonic Chemistry [0.0]
  本稿では,従来のMQC手法の限界に対処するため,表面ホッピング (MASH) へのマッピング手法を提案する。 我々は空洞モードの量子的処理を取り入れ、以前の研究でよく用いられる古典的な近似を超えて移動する。 振動分極化学の単一分子モデルの結果、MASHと量子キャビティモードを組み合わせることで、最も正確な速度が得られることが示された。
  論文  参考訳（メタデータ） (2025-02-06T23:50:22Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive Molecular Property Prediction [1.534667887016089]
  多パラメータ持続ホモロジー(MPPH)を用いた新しい分子指紋生成法を提案する。 この技術は、正確な分子特性予測が不可欠である薬物発見と材料科学において、かなりの重要性を持っている。 分子特性の予測における既存の最先端手法よりも優れた性能を示し,MoleculeNetベンチマークで広範囲な評価を行った。
  論文  参考訳（メタデータ） (2023-12-12T09:33:54Z)
• 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 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)
• Evolution of a Non-Hermitian Quantum Single-Molecule Junction at Constant Temperature [62.997667081978825]
  常温環境に埋め込まれた非エルミート量子系を記述する理論を提案する。 確率損失と熱ゆらぎの複合作用は分子接合の量子輸送を補助する。
  論文  参考訳（メタデータ） (2021-01-21T14:33:34Z)
• Quantum Generative Models for Small Molecule Drug Discovery [8.7660229706359]
  既存の創薬パイプラインは5〜10年を要し、数十億ドルの費用がかかります。 分子のよりリッチな表現を学習するためのハイブリッドジェネレータ(QGAN-HG)を用いた量子GANを提案する。
  論文  参考訳（メタデータ） (2021-01-09T22:33:16Z)

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。