QCA-MolGAN：基于量子电路的关联分子生成对抗网络
量子物理
2025-09-08 v1 机器学习
摘要
在药物发现中，导航分子结构的广阔化学空间以设计具有所需目标属性的新药分子仍是核心挑战。近期生成模型的进展为该问题提供了前景解决方案。本工作提出一种新型基于量子电路 Born 机器（QCBM）的生成对抗网络（GAN），称为 QCA-MolGAN。QCBM 作为可学习的先验分布，通过关联训练对齐其隐空间与GAN判别器捕获的高层次特征。此外，我们集成一种新型多智能体强化学习网络，以实现对分子生成具有所需目标属性的引导，优化关键指标，如定量评估药效（QED）、Octanol-水分配系数（LogP）和合成可及性（SA）分数。实验结果表明，我们的方法有效提升了生成分子的属性对齐度，多智能体强化学习智能体在化学属性之间实现了有效的平衡。
引用
@article{arxiv.2509.05051,
title = {QCA-MolGAN: Quantum Circuit Associative Molecular GAN with Multi-Agent Reinforcement Learning},
author = {Aaron Mark Thomas and Yu-Cheng Chen and Hubert Okadome Valencia and Sharu Theresa Jose and Ronin Wu},
journal= {arXiv preprint arXiv:2509.05051},
year = {2025}
}
备注
Accepted to the proceedings of IEEE Quantum Artificial Intelligence, 6 pages, 3 figures