探索量子生成对抗网络在生成化学中的优势
量子物理
2023-05-15 v3
摘要
具有期望生物活性的从头药物设计对于开发患者新型疗法至关重要。药物开发过程耗时耗资且成功概率低。机器学习与深度学习的近期进展减少了发现过程的时间与成本，从而改善了药物研发。在本文中，我们探索两个快速发展领域与药物开发过程中先导候选发现的结合。首先，人工智能已被证明能成功加速常规药物设计方法。其次，量子计算已在量子化学、组合优化与机器学习等不同应用中展现出可观潜力。本稿探讨用于小分子发现的混合量子-经典生成对抗网络（GAN）。我们将 GAN 的每个组件替换为变分量子电路（VQC），并展示了量子在小分子药物发现中的优势。在 GAN 的噪声生成器中使用 VQC 生成小分子，在目标导向基准中比经典对应物获得更好的物理化学性质和性能。此外，我们展示了仅具数十个可学习参数的 VQC 用于 GAN 生成器生成小分子的潜力。我们也展示了 VQC 用于 GAN 判别器的量子优势。在该混合模型中，可学习参数数量显著少于经典模型，且仍能生成有效分子。在量子判别器中仅具数十训练参数的混合模型在生成分子性质与所达 KL 散度方面均优于基于 MLP 的模型。
引用
@article{arxiv.2210.16823,
title = {Exploring the Advantages of Quantum Generative Adversarial Networks in Generative Chemistry},
author = {Po-Yu Kao and Ya-Chu Yang and Wei-Yin Chiang and Jen-Yueh Hsiao and Yudong Cao and Alex Aliper and Feng Ren and Alan Aspuru-Guzik and Alex Zhavoronkov and Min-Hsiu Hsieh and Yen-Chu Lin},
journal= {arXiv preprint arXiv:2210.16823},
year = {2023}
}
备注
28 pages, 12 tables, 16 figures;