量子-经典混合分子自编码器用于推进经典解码
机器学习
2025-08-29 v2 量子物理
摘要
尽管量子机器学习(QML)的最新进展为增强生成模型提供了显著潜力，特别是在分子设计方面，但大量经典方法在实现高保真度和有效性方面仍面临挑战。特别是，将QML与序列任务（如简化分子输入线性条目系统(SMILES)字符串重建）的集成仍未被充分探索，通常会遭受保真度退化。在这项工作中，我们提出了一种用于SMILES重建的量子-经典混合架构，将量子编码与经典序列建模相结合，以提高量子保真度和经典相似性。我们的方法实现了约84%的量子保真度和60%的经典重建相似度，超越了现有的量子基线。我们的工作为未来的QML应用奠定了有前景的基础，在表达性量子表示和经典序列模型之间取得平衡，并催化了更广泛的量子感知序列模型在分子和药物发现方面的研究。
引用
@article{arxiv.2508.19394,
title = {Quantum-Classical Hybrid Molecular Autoencoder for Advancing Classical Decoding},
author = {Afrar Jahin and Yi Pan and Yingfeng Wang and Tianming Liu and Wei Zhang},
journal= {arXiv preprint arXiv:2508.19394},
year = {2025}
}