論文の概要: Variational Quantum Attention for Molecular Graph Learning

• arxiv url: http://arxiv.org/abs/2610.04588v1
• Date: Sat, 03 Oct 2026 15:22:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 18:37:57.88422
• Title: Variational Quantum Attention for Molecular Graph Learning
• Title（参考訳）: 分子グラフ学習のための変分量子注意
• Abstract要約: 分子グラフ学習のためのエッジ対応変分量子アテンション機構を提案する。 QGATはGATv2と競合する性能を達成する。 この2つの注意機構は,構造関連BACE1アナログに対して異なる予測・帰属挙動を示すことを示す。
• 参考スコア（独自算出の注目度）: 12.599457691596976
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular property prediction is central to computational drug discovery, where graph neural networks learn to weight neighboring atomic environments during message passing. Yet it remains unclear how variational quantum circuits alter learned attention behavior in molecular graphs. We introduce an edge-aware variational quantum attention mechanism for molecular graph learning, in which the receiving atom, neighboring atom, and connecting bond jointly determine the quantum attention state. Across five molecular property and bioactivity prediction tasks, QGAT achieves competitive performance relative to GATv2, with a consistent improvement on BBBP across all six evaluated circuit ansatzes. We further compare how the quantum and classical attention scores weight molecular structure beyond accuracy. In the Verubecestat BACE1 inhibitor series, QGAT achieves a higher Spearman correlation than GATv2 and assigns positive attributions to several structural changes consistent with reported structure-activity relationships (SARs). This case study shows that the two attention mechanisms can exhibit different prediction and attribution behavior across structurally related BACE1 analogues, while broader validation is required to determine how consistently these differences generalize across chemical series and targets. Circuit ablations further show that performance depends on the circuit design. Together, these results show that variational quantum attention can serve as a viable alternative molecular attention parameterization while inducing circuit- and chemistry-dependent behavior distinct from a matched classical scorer.
• Abstract（参考訳）: 分子特性予測は、グラフニューラルネットワークがメッセージパッシング中に隣接する原子環境を重み付けすることを学ぶ計算薬の発見の中心である。 しかし、量子回路が分子グラフにおける学習された注意行動をどのように変えたのかは定かではない。 分子グラフ学習のためのエッジアウェアな変分量子アテンション機構を導入し, 受信原子, 隣接原子, 結合結合が量子アテンション状態を決定する。 5つの分子特性および生物活性予測タスクにおいて、QGATはGATv2と比較して競争性能が向上し、BBBPは6つの評価回路アンサーゼで一貫した改善がなされた。 さらに、量子的および古典的な注意が、精度を超えて重量分子構造をどのようにスコアするかを比較する。 Verubecestat BACE1インヒビターシリーズでは、QGATはGATv2よりも高いスピアマン相関を達成し、報告された構造活性関係(SAR)に一致するいくつかの構造変化への正の寄与を割り当てている。 このケーススタディでは、2つの注意機構が構造関連BACE1アナログ間で異なる予測と帰属挙動を示すことを示し、これらの差が化学系列と標的の間でいかに一貫した一般化であるかを検証するためにはより広範な検証が必要である。 回路アブレーションは回路設計に依存していることを示す。 これらの結果は,古典的スコアラーと異なる回路および化学依存的な振る舞いを誘導しながら,変分量子アテンションが分子的アテンションのパラメータ化に有効であることを示す。

関連論文リスト

• Elucidating Many-Body Effects in Molecular Core Spectra through Real-Time Approaches: Efficient Classical Approximations and a Quantum Perspective [5.186218508509959]
  本稿では,Berker-Campbell-Hausdorff(BCH)拡張による費用対効果近似TD-dCCアンサーゼの階層化を提案する。 基底状態と電離状態の振幅のカップリングから生じる相関過程であるホール媒介励起経路を分離する詳細な成分分析法を開発した。 近似TD-dCC法は, 正確な多体スペクトル特徴と準粒子重みを密に, 効率的に再現できることを実証した。
  論文  参考訳（メタデータ） (2025-11-22T08:56:04Z)
• Evolution of multi-qubit correlations driven by mutual interactions [49.1574468325115]
  我々は$frac12$-spinsからなる量子系の相関テンソル要素の進化を分析する。 強い外部場が特定の相関特性に対して安定化因子を果たすことを示す。
  論文  参考訳（メタデータ） (2025-07-01T11:45:08Z)
• Characterizing conical intersections of nucleobases on quantum computers [3.938743052376337]
  超伝導量子コンピュータを用いて, 生体分子シトシン中の円錐交叉(CI)の量子シミュレーションを行った。 我々は、縮約量子固有解法(CQE)を用いて、円錐交叉に付随する近接縮退基底と励起状態を計算する。
  論文  参考訳（メタデータ） (2024-10-24T17:00:26Z)
• Accurate and gate-efficient quantum ansätze for electronic states without adaptive optimisation [0.0]
  量子アルゴリズムは、量子デバイス上での電子状態の正確な表現を必要とする。 現在の近似は、化学的精度とゲート効率を組み合わせるのに苦労している。 化学的に正確な分子エネルギーを提供する対称性保存およびゲート効率アンサッツを提案する。
  論文  参考訳（メタデータ） (2023-12-15T13:01:48Z)
• Atom-Motif Contrastive Transformer for Molecular Property Prediction [68.85399466928976]
  グラフトランス (GT) モデルは分子特性予測 (MPP) のタスクで広く利用されている。 本稿では,原子レベルの相互作用を探索し,モチーフレベルの相互作用を考慮した新しいAtom-Motif Contrastive Transformer(AMCT)を提案する。 提案したAMCTは,7つの一般的なベンチマークデータセットに対して広範囲に評価され,定量的および定性的な結果の両方が有効であることを示す。
  論文  参考訳（メタデータ） (2023-10-11T10:03:10Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
  グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。 本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
  論文  参考訳（メタデータ） (2022-07-25T11:30:44Z)
• Analytical and experimental study of center line miscalibrations in M\o lmer-S\o rensen gates [51.93099889384597]
  モルマー・ソレンセンエンタングゲートの誤校正パラメータの系統的摂動展開について検討した。 我々はゲート進化演算子を計算し、関連する鍵特性を得る。 我々は、捕捉されたイオン量子プロセッサにおける測定値に対して、モデルからの予測をベンチマークすることで検証する。
  論文  参考訳（メタデータ） (2021-12-10T10:56:16Z)
• Flexible dual-branched message passing neural network for quantum mechanical property prediction with molecular conformation [16.08677447593939]
  メッセージパッシングフレームワークに基づく分子特性予測のための二重分岐ニューラルネットワークを提案する。 本モデルでは,様々なスケールで異種分子の特徴を学習し,予測対象に応じて柔軟に学習する。
  論文  参考訳（メタデータ） (2021-06-14T10:00:39Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

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。