用于分子模拟与药物发现的混合量子生成对抗网络
量子物理
2026-03-24 v2 机器学习
生物大分子
摘要
在分子研究中,通过模拟对分子进行建模与分析是直接影响医学发展、材料科学和药物发现的重要部分。设计具有数百个肽段的蛋白质链所需的处理能力是巨大的。包括部署在经典计算机器上的最先进机器学习模型在内的经典计算技术,虽已取得有限成功,但已证明在此任务上效率低下。此外,与纯理论建模相反,当前的实际实现往往在时间和成本上均不可行。量子机器学习有望相对于经典算法具有深远优势的主要领域之一是药物发现。量子生成模型在近期研究中已展现出一些有前景的益处。本文介绍了三种新颖的量子生成对抗网络(QGAN)架构变体,它们源于不同的配置、不同的量子电路层和分块 ansatz。利用 Xanadu 的 PennyLane 量子模拟器来执行在 QM9 数据集上训练的 QGAN 模型。经评估,其中一种模型,即 QWGAN-HG-GP(Wasserstein 距离带梯度惩罚)模型,在不同的药物分子性质指标上优于其他 QGAN 模型。
引用
@article{arxiv.2212.07826,
title = {Hybrid Quantum Generative Adversarial Networks for Molecular Simulation and Drug Discovery},
author = {Prateek Jain and Param Pathak and Krishna Bhatia and Shalini Devendrababu and Srinjoy Ganguly},
journal= {arXiv preprint arXiv:2212.07826},
year = {2026}
}
备注
33 pages, 25 figures