基于量子机器学习的毒性预测
量子物理
2020-12-17 v3 化学物理
摘要
近年来，参数化量子电路被视为混合量子-经典框架下的机器学习模型。量子机器学习（QML）已应用于二分类问题与无监督学习，但面向非线性回归任务的实用量子应用受到的关注明显较少。在此，我们开发了用于基于定量构效关系预测221种苯酚毒性的QML模型。结果表明，经量子纠缠增强的数据编码比先前方法具有更强的表达能力，意味着量子关联可能有益于经典数据的特征映射表示。我们的QML模型显著优于多元线性回归方法。此外，我们的模拟表明QML模型与径向基函数网络所得结果相当，同时提升了泛化性能。本研究暗示QML可成为如化学信息学等非线性回归任务的替代方法。
引用
@article{arxiv.2008.07715,
title = {Predicting toxicity by quantum machine learning},
author = {Teppei Suzuki and Michio Katouda},
journal= {arXiv preprint arXiv:2008.07715},
year = {2020}
}
备注
main: 4 tables, 6 figures; appendices: 2 tables, 2 figures