論文の概要: QFoldAgent: An Autonomous Quantum Optimization Multi-Agent System for Protein Structure Prediction
- arxiv url: http://arxiv.org/abs/2607.22549v1
- Date: Mon, 11 May 2026 20:40:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-02 22:55:38.957808
- Title: QFoldAgent: An Autonomous Quantum Optimization Multi-Agent System for Protein Structure Prediction
- Title（参考訳）: QFoldAgent:タンパク質構造予測のための自律量子最適化マルチエージェントシステム
- Abstract要約: QFoldAgentは5-residue四面体-格子折り畳みのための閉ループマルチエージェントフレームワークである。
55個のQDockBank由来のフラグメントと100個のカバー最適化された未確認シーケンスの2つの補完的データセットについて検討した。
- 参考スコア（独自算出の注目度）: 20.764428990752283
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hybrid quantum-classical protein structure prediction depends strongly on Hamiltonian penalty weights, yet existing lattice-based workflows typically fix these coefficients by hand and evaluate only very short fragments in simulation. We present QFoldAgent, a closed-loop multi-agent framework for 5-residue tetrahedral-lattice folding in which a design agent proposes sequence-conditioned penalties, a VQE-based quantum-classical pipeline optimizes the resulting Hamiltonian under Qiskit Aer noise, and a feedback agent uses energy-landscape diagnostics and MolProbity validation signals to refine penalties across cycles. Ground-truth metrics such as RMSD are never exposed to the agents and are used only for evaluation. We study the framework on two complementary datasets: 55 QDockBank-derived fragments with known structures and 100 coverage-optimized unseen sequences. On the QDockBank benchmark, QFoldAgent reduces median RMSD from 3.64 Å to 3.20 Å, with the largest gains on the hardest targets. On unseen sequences, the closed loop raises structural validity from 87.5% to 98.7%, recovers 87% of initially invalid cases, and the strongest controller improves cycle-3 energy on 87% of sequences while maintaining 96% Ramachandran-favored geometry. These results show that iterative agent control can systematically improve optimization behavior and reduce failure cases in a 5-residue quantum setting.
- Abstract（参考訳）: ハイブリッド量子古典タンパク質の構造予測はハミルトンのペナルティ重みに強く依存するが、既存の格子ベースのワークフローは通常これらの係数を手で固定し、シミュレーションにおいて非常に短い断片のみを評価する。
設計エージェントがシーケンス条件付きペナルティを提案し、VQEベースの量子古典的パイプラインがカイスキットAerノイズの下で得られたハミルトンを最適化し、フィードバックエージェントがエネルギーランドスケープ診断とMollProbityバリデーション信号を使用してサイクル間のペナルティを洗練する、5-Residue四面体ラッチのクローズドループマルチエージェントフレームワークであるQFoldAgentを提案する。
RMSDのような地中信頼度はエージェントに暴露されることはなく、評価にのみ使用される。
55個のQDockBank由来のフラグメントと100個のカバー最適化された未確認シーケンスの2つの補完的データセットについて検討した。
QDockBankのベンチマークでは、QFoldAgentはRMSDの中央値を3.64 から3.20 に減らし、最も厳しい目標に対して最大の利得となる。
目に見えない配列では、クローズドループは87.5%から98.7%に構造的妥当性を高め、初期不適切なケースの87%を回復し、最強のコントローラは87%のシーケンスでサイクル3エネルギーを向上し、ラマカンドランが好む幾何学は96%を維持している。
これらの結果から, 繰り返しエージェント制御は, 最適化挙動を体系的に改善し, 5次元量子環境における故障事例を低減できることが示唆された。
関連論文リスト
- On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [57.03393882933515]
Qwen3.8-Flash-Nextは125Bパラメータ、トークンあたり6Bアクティベートされ、加速器から保持されるn-gram埋め込みテーブルの51Bパラメータを持つスパースミックス・オブ・エキスパートモデルである。
トレーニング前の14のベンチマークでは、このモデルは前モデルの397B-A17Bを8点、残りを少なくとも2.6ポイント、アクティベートされたパラメータが1/3、トレーニングトークンが1/3、トレーニング用FLOPが1/9であった。
論文 参考訳（メタデータ） (2026-08-31T06:35:07Z) - A Physics-Informed Framework for PID Tuning of Chemical Processes Using Large Language Model Agents [0.0]
この作業は、大小言語モデル(LLMs/SLMs)に適用可能な言語モデル支援PIDチューニングフレームワークを形式化する。
ローカルデプロイメントでは、Qwen3-0.6B はシミュレーション検証された IMC ターゲットを持つ教師付き微調整 (SFT) と、非補償安定性と性能の報奨を伴う物理インフォームドグループ相対ポリシー最適化 (PI-GRPO) によって適応される。
論文 参考訳（メタデータ） (2026-07-29T08:14:31Z) - Hallucination Mitigation with Agentic AI, Nested Learning, and AI Sustainability via Semantic Caching [0.42970700836450487]
本稿では,連続記憶システム(CMS)を用いたHOPEにインスパイアされたNested Learningアーキテクチャを適用する。
3段階のエージェントパイプラインを, FCDFactual Claim density, FGR, THS (Total Hallucination Score) と OSR (Observability Score Ratio) で評価した。
セマンティックキャッシュは、930以上の潜在的なコール(47.3%のヒット率)で440のキャッシュヒットを達成し、LCMの呼び出しを490に削減し、エネルギーとCO2eフットプリントを削減し、マルチステージレビューパイプラインを運用規模で運用可能にする。
論文 参考訳（メタデータ） (2026-05-27T20:01:08Z) - Fragile Reasoning: A Mechanistic Analysis of LLM Sensitivity to Meaning-Preserving Perturbations [2.7946918847372277]
大規模言語モデルは、数学的推論ベンチマークにおいて強い性能を示すが、意味を保存する表面摂動に対して驚くほど脆弱である。
我々は677 GSM8K問題に対して,3つのオープンウェイトLLM(Mistral-7B,Llama-3-8B,Qwen2.5-7B)を意味論的に等価な変種と組み合わせて評価した。
3つのモデルはいずれも相当な解答フリップ率(28.8%-45.1%)を示し、数字のパラフレーズは名前スワップよりも一貫して破壊的である。
論文 参考訳（メタデータ） (2026-04-02T05:30:20Z) - HQP: Sensitivity-Aware Hybrid Quantization and Pruning for Ultra-Low-Latency Edge AI Inference [0.0]
相乗的モデル加速を実現するために設計されたHybrid Quantization and Pruning (HQP)フレームワーク。
HQPフレームワークは3.12倍の推論速度向上と55%のモデルサイズ縮小を実現している。
論文 参考訳（メタデータ） (2026-02-02T18:17:45Z) - MSign: An Optimizer Preventing Training Instability in Large Language Models via Stable Rank Restoration [48.446476072756276]
トレーニング不安定性は、大規模言語モデルの事前トレーニングにおいて依然として重要な課題である。
我々は,5MナノGPTモデルにおけるトレーニング失敗をP$で評価した。
安定なランクを回復するために行列手演算を周期的に適用する新しいノルムであるMSignを提案する。
論文 参考訳（メタデータ） (2026-02-02T07:18:45Z) - Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
CL-QASは連続的な量子アーキテクチャ検索フレームワークである。
振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。
制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
論文 参考訳（メタデータ） (2026-01-10T02:36:03Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z) - Parameter Analysis and Optimization of Layer Fidelity for Quantum Processor Benchmarking at Scale [0.03499870393443267]
レイヤの忠実度は、大規模にプロセッサのパフォーマンスを評価するのに適しているベンチマークである。
我々は、ベンチマークのパラメータを最適化するために、元の層忠実度原稿の分析を拡張した。
論文 参考訳（メタデータ） (2025-10-19T16:18:26Z) - Agentic Entropy-Balanced Policy Optimization [114.90524574220764]
エージェント強化学習(Agentic RL)は,Webエージェントの多ターン,長期ツール利用能力の活性化に大きく貢献している。
RLアルゴリズムはエントロピーの誘導の下で、高不確実性ツールコールステップを自律的に探索するが、エントロピー信号への過度な依存は、さらなる制約を課す可能性がある。
本稿では,エージェント・エントロピー・バランサード・ポリシー最適化(AEPO, Agentic Entropy-Balanced Policy Optimization)を提案する。
論文 参考訳（メタデータ） (2025-10-16T10:40:52Z) - Beyond Outliers: A Study of Optimizers Under Quantization [82.75879062804955]
量子化下でのモデルロバスト性に対する選択の影響について検討する。
モデルの性能が、異なるベースラインでトレーニングした場合にどのように低下するかを評価する。
異なるパラメータによる量子化対応トレーニングのスケーリング法則を導出する。
論文 参考訳（メタデータ） (2025-09-27T21:15:22Z)
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。