基于潜在风格的量子 Wasserstein GAN 用于药物设计

新药开发是一个耗时、昂贵且繁琐的过程，平均成本估计可达约 2500 万美元。这一漫长过程的第一步是药物设计，近年来，借助人工智能的de novo药物设计取得了快速发展，彻底改变了该领域。特别是，生成式人工智能在药物发现与开发方面取得了有前景的成果，显著降低了成本和解决时间。然而，经典生成模型，如生成对抗网络(GAN)，由于梯度平坦问题且容易出现模式崩溃而难以训练。量子计算可能是解决这些问题的途径，能够提供更少参数的模型，从而增强GAN的通用性。我们提出一种新的基于潜在风格的量子GAN(QGAN)架构用于药物设计，该架构在电路每个旋转门中实现噪声编码，并在损失函数中引入梯度惩罚以缓解模式崩溃。我们的管道采用变分自编码器在潜在空间中表示分子结构，然后用作QGAN的输入。我们的基准模型在量子模拟器上运行最多 15 个量子比特，用于验证我们的架构；而 156 个量子比特的 IBM Heron 量子计算机在五比特 setup 中用于推断，以探讨使用真实量子硬件对分析的影响。我们将结果在MOSES基准套件提供的经典模型中进行基准测试。