MolPaQ：用于可解释分子生成的模块化量子-经典补丁学习
机器学习
2026-04-13 v1 人工智能
摘要
分子生成模型必须同时确保有效性、多样性和性质控制，但现有方法通常在这些目标之间进行权衡。我们提出 MOLPAQ，一个模块化的量子-经典生成器，通过量子生成的潜在补丁组装分子。一个 beta-VAE 在 QM9 上预训练，学习化学对齐的潜在流形；一个简化的条件器将分子描述符映射到该空间；一个参数高效的量子补丁生成器产生 entangled 节点嵌入；一个受价态约束的聚合器将其重构为有效的分子图。通过对抗微调、潜在评论家和化学形状奖励，我们实现了 100% RDKit 有效性、99.75% 新颖性和 0.905 的多样性。除了总体指标，预训练的量子生成器在条件器的引导下，将平均 QED 提升约 2.3%，并将芳香基团发生率提高约 10-12%，凸显其作为紧凑拓扑塑形算子的作用。
引用
@article{arxiv.2604.08575,
title = {MolPaQ: Modular Quantum-Classical Patch Learning for Interpretable Molecular Generation},
author = {Syed Rameez Naqvi and Lu Peng},
journal= {arXiv preprint arXiv:2604.08575},
year = {2026}
}