基于潜在风格的量子沃瑟斯坦GaN在药物设计中的应用

Arxiv：2603.22399v2宣布类型：替换-交叉摘要：开发新药是一个既耗时又昂贵的过程，平均成本估计高达25亿美元左右。这一过程的第一步是新药的设计，近年来，在人工智能的辅助下，新药设计取得了蓬勃发展，并给该领域带来了革命性的变化。特别是，生成性人工智能在药物发现和开发方面取得了有希望的成果，降低了成本和解决问题的时间。然而，经典的生成性模型，如生成性对抗性网络(GANS)，可能很难训练，并且容易发生模式崩溃。量子计算可能是克服其中一些问题的一种途径，它提供了具有更少可训练参数的紧凑模型，从而增强了GAN的普适性。我们提出了一种新的基于潜在风格的量子Wasserstein GaN(QGAN)用于药物设计，将一个将分子结构映射到潜在空间的变分自动编码器与混合量子GaN相结合。我们的产品线是以与行业相关的MOSY套件的经典模型为基准的。在每个旋转门上使用基于样式的噪声重新上载和Wasserstein梯度惩罚来提高可训练性和缓解模式崩溃。在无噪声量子模拟器上进行了高达15个量子比特电路的训练和大规模采样，以验证我们的体系结构。为了研究量子噪声效应，我们在IBM Heron量子计算机上使用5个量子比特，对2,500个新分子进行了采样，给出了一个仅限推理的演示。我们的默认QGAN使用110个可训练生成器参数，与包含约700,000个可训练参数的摩西经典潜在GaN基线相比，在选定的药物相关指标上达到了统计上可比的总体性能和统计上的显著收益对于发电机，以及具有匹配发电机容量的经典潜伏GaN。