量子-经典混合模型中用于抗癌药物反应预测的最优归一化

量子-经典混合机器学习 (QHML) 模型因其鲁棒的性能和高泛化能力而受到认可，即使对于相对较小的数据集也是如此。这些特性为抗癌药物反应预测提供了独特优势，因为该领域可用样本数量通常较少。然而，此类混合模型对神经网络与量子电路接口处使用的数据编码非常敏感，次优选择会导致稳定性问题。为解决这一问题，我们提出了一种基于 tanh 的调节梯度版本的归一化函数的新策略。该方法在不过度集中于极端值范围的情况下转换神经网络的输出。我们在多种癌细胞系的基因表达和药物反应测量数据集上评估了该想法，比较了经典深度学习模型和多个 QHML 模型的预测性能。这些结果证实，当数据经过最优归一化时，QHML 的表现优于经典模型。本研究为利用量子计算机进行生物医学数据分析开辟了新的可能性。