面向基于自编码器的药物发现的可扩展变分量子线路

药物分子的从头设计被认为是一个耗时且昂贵的过程，计算方法已应用于药物发现流程的各个阶段。变分自编码器是基于现有分子数据集探索化学空间的计算机辅助设计方法之一。量子机器学习因其强大的表达能力而成为一种非典型的学习方法，可能加速某些经典学习任务。然而，近期量子计算机受限于有限的量子比特数，阻碍了高维空间中的表示学习。我们提出了一种可扩展量子生成自编码器（SQ-VAE），用于同时重建和采样药物分子，以及一种相应的基础变体（SQ-AE）以获得更好的重建效果。提出了混合量子经典网络中的架构策略，如可调量子层深度、异构学习率和分块量子线路，以学习高维数据集（如配体靶向药物）。在选择合适的架构策略后，报告了包括 8x8 和 32x32 不同维度的广泛实验结果。量子生成自编码器的性能在所有实验中与相应的经典对应方法进行了比较。结果表明，对于归一化低维分子可以实现量子计算优势，并且在相同学习周期内，由量子生成自编码器生成的高维分子具有更好的药物性质。