論文の概要: $\mathtt{Q^2SAR}$: overcoming classical bottlenecks in drug discovery via quantum multiple kernel learning
- arxiv url: http://arxiv.org/abs/2607.11701v1
- Date: Mon, 13 Jul 2026 15:33:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.535433
- Title: $\mathtt{Q^2SAR}$: overcoming classical bottlenecks in drug discovery via quantum multiple kernel learning
- Title（参考訳）: $\mathtt{Q^2SAR}$:量子多重カーネル学習による創薬における古典的ボトルネック克服
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 39.146761527401424
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Quantitative Structure-Activity Relationship ($\mathtt{QSAR}$) modeling is a foundational computational methodology in early-stage drug discovery, heavily relied upon for predicting compound toxicity, bioavailability, and therapeutic potential. However, classical methods often struggle to effectively map the highly complex, non-linear, and high-dimensional interactions inherent in molecular data, leading to reduced predictive accuracy and costly late-stage clinical failures. In this paper, we present a Quantum Multiple Kernel Learning ($\mathtt{QMKL}$) framework, dubbed Next-Gen $\mathtt{Q^2SAR}$, that leverages Quantum Support Vector Machines ($\mathtt{QSVMs}$) to overcome these classical limitations. By encoding molecular descriptors into exponentially large quantum Hilbert spaces, our approach substantially enhances the expressiveness of non-linear modeling. Benchmarking our quantum-enhanced framework on a dataset targeting the $\mathtt{DYRK1A}$ kinase (a critical target for Alzheimer's disease), the $\mathtt{QMKL}$-$\mathtt{SVM}$ achieves an impressive Area Under the Curve ($\mathtt{AUC}$) score of $0.8750$, significantly outperforming classical state-of-the-art Gradient Boosting models ($\mathtt{AUC} = 0.8037$). Furthermore, we establish a theoretical and empirical pathway toward resolving classical data bottlenecks through projected quantum kernels ($\mathtt{PQK}$) and measurement accelerators. As quantum computing architecture matures, this framework paves the way for autonomous cognitive architectures and self-improving drug discovery pipelines, promising to unlock deeper insights across vast chemical spaces and to accelerate the development of life-saving therapeutics.
- Abstract（参考訳）: 量的構造-活性関係(英: Quantitative Structure-Activity Relationship)(英語版) (\matht{QSAR}$) モデリングは、初期の薬物発見における基礎的な計算手法であり、化合物毒性、バイオアベイラビリティ、治療可能性の予測に大きく依存している。
しかし、古典的な方法はしばしば、分子データに固有の高度に複雑で非線形で高次元的な相互作用を効果的にマッピングするのに苦労し、予測精度が低下し、後期臨床にコストがかかる。
本稿では,量子サポートベクトルマシン(\mathtt{QSVMs}$)を活用する,Next-Gen $\mathtt{Q^2SAR}$という,量子多重カーネル学習(\matht{QMKL}$)フレームワークを提案する。
分子記述子を指数関数的に大きな量子ヒルベルト空間に符号化することにより、非線形モデリングの表現性を大幅に向上させる。
量子化フレームワークを、$\matht{DYRK1A}$ kinase(アルツハイマー病の重要なターゲット)をターゲットにしたデータセット上でベンチマークすると、$\matht{QMKL}$-$\matht{SVM}$は、曲線の下で印象的なエリアを達成します。
さらに、予測量子カーネル(\mathtt{PQK}$)と測定アクセラレーターを通じて古典的データのボトルネックを解決するための理論的かつ実証的な経路を確立する。
量子コンピューティングアーキテクチャが成熟するにつれて、このフレームワークは、自律的な認知アーキテクチャと自己改善された薬物発見パイプラインの道を開いた。
関連論文リスト
- The Convergence Frontier: Integrating Machine Learning and High Performance Quantum Computing for Next-Generation Drug Discovery [0.0]
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。
論文 参考訳（メタデータ） (2026-03-18T14:51:15Z) - Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。
近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。
QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
論文 参考訳（メタデータ） (2025-10-15T12:17:23Z) - Hybrid Quantum-Classical Neural Networks for Few-Shot Credit Risk Assessment [52.05742536403784]
この仕事は、数発の信用リスク評価の課題に取り組む。
我々は、新しいハイブリッド量子古典ワークフローを設計、実装する。
量子ニューラルネットワーク(QNN)はパラメータシフト規則によって訓練された。
実世界の279のサンプルデータを用いて、QNNはシミュレーションで0.852 +/-0.027の堅牢な平均AUCを達成し、ハードウェア実験で0.88の印象的なAUCを得た。
論文 参考訳（メタデータ） (2025-09-17T08:36:05Z) - Entanglement and Classical Simulability in Quantum Extreme Learning Machines [0.0]
本稿では,古典的エクストリーム学習マシンの量子アナログである量子エクストリーム学習マシン(QELM)について検討する。
我々のアーキテクチャは、(PCAまたはオートエンコーダを介して)次元の減少、量子状態の符号化、XXハミルトニアンの下での進化、および射影測定を組み合わせたものである。
この性能向上は、古典データの埋め込みを改善する絡み合いの開始と相関することを示す。
論文 参考訳（メタデータ） (2025-09-08T16:43:37Z) - 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) - Generalization Bounds in Hybrid Quantum-Classical Machine Learning Models [0.0]
我々はハイブリッドモデルにおける一般化を解析するための統一的な数学的枠組みを開発する。
量子古典的畳み込みニューラルネットワーク(QCCNN)にこの結果を適用する。
論文 参考訳（メタデータ） (2025-04-11T11:35:03Z) - 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) - Quantum to Classical Neural Network Transfer Learning Applied to Drug Toxicity Prediction [0.0]
毒性 (Toxicity) は、不規則な数の薬物が命を救うために使用されるのを防ぐブロックである。
本稿では、古典的ニューラルネットワークの動作を模倣した量子回路設計を用いて、薬物毒性を予測するためのハイブリッド量子古典ニューラルネットワークを提案する。
モデルの全古典的な$mathcalO(n3)$アナログに対して、コンメンシュレートな予測精度が得られることを示す。
論文 参考訳（メタデータ） (2024-03-27T20:32:04Z) - 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) - The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for
Deep Quantum Machine Learning [52.77024349608834]
古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。
鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。
我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
論文 参考訳（メタデータ） (2022-12-22T16:06:24Z) - Neural network enhanced measurement efficiency for molecular
groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。
ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文 参考訳（メタデータ） (2022-06-30T17:45:05Z)
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。