arXiv cs.AI· Julien Baglio, Yacine Haddad, Richard Polifka·· 13 小时前AI 评分18
基于潜在风格的量子 Wasserstein GAN 用于药物设计
Latent Style-based Quantum Wasserstein GAN for Drug Design
AI 导读
研究提出一种潜在风格量子 Wasserstein GAN（QGAN），将变分自编码器与混合量子 GAN 结合用于药物设计，默认生成器仅 110 个可训练参数，在 MOSES 基准上整体性能与约 70 万参数的经典潜在 GAN 基线统计相当，并在部分药物相关指标上取得统计显著提升。
正文 · AI 翻译
摘要：新药研发是一个耗时且昂贵的过程，平均成本估计高达约 25 亿美元。该过程的第一步是新药设计，近年来，借助人工智能辅助的从头药物设计蓬勃发展，并彻底改变了这一领域。特别是生成式人工智能在药物发现与开发中取得了令人瞩目的成果，降低了成本并缩短了求解时间。然而，经典的生成模型，如生成对抗网络（GAN），可能难以训练且容易出现模式崩溃。量子计算或许能够克服其中一些问题，提供可训练参数少得多的紧凑模型，从而增强 GAN 的泛化能力。我们提出了一种用于药物设计的新型基于潜在风格的量子 Wasserstein GAN（QGAN），将把分子结构映射到潜在空间中的变分自编码器与混合量子 GAN 相结合。我们的流程以行业相关的 MOSES 套件中的经典模型为基准进行了评测。在每个旋转门上采用基于风格的噪声重上传以及 Wasserstein 梯度惩罚，以提高可训练性并缓解模式崩溃。我们在无噪声量子模拟器上使用多达 15 个量子比特的电路进行训练和大规模采样，以验证我们的架构。我们展示了在 IBM Heron 量子计算机上使用 5 个量子比特、采样 2,500 个新分子的仅推理演示，以研究量子噪声效应。我们的默认 QGAN 使用 110 个可训练生成器参数，相对于 MOSES 经典潜在 GAN 基线（其生成器包含约 700,000 个可训练参数）以及生成器容量匹配的经典潜在 GAN，在整体性能上达到统计上相当的水平，并在选定的药物相关指标上取得统计显著的提升。
| 评论： | 正文：26 页，11 幅图，6 张表。补充材料：24 页，20 幅图，21 张表。v2：修订版，包含经典 GAN 的容量匹配分析以及硬件推理运行的详细内容，并增加了硬件结果的 bootstrap 误差分析。与已发表版本一致 |
| 主题： | 量子物理（quant-ph）；人工智能（cs.AI）；机器学习（cs.LG）；生物分子（q-bio.BM） |
| 引用为： | arXiv:2603.22399 [quant-ph] |
| （或 arXiv:2603.22399v2 [quant-ph] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2603.22399 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | J. Chem. Inf. Model. (2026) 66 (20): 13136-13154 |
| 相关 DOI： | https://doi.org/10.1021/acs.jcim.6c01249
链接到相关资源的 DOI |
提交历史
来自：Julien Baglio [查看电子邮件]
[v1]
2026 年 3 月 23 日星期一 18:00:12 UTC（1,108 KB）
[v2]
2026 年 10 月 28 日星期三 08:58:53 UTC（1,373 KB）
来源：arXiv cs.AI · arxiv.org