将量子启发式生成模型应用于小分子数据集

​

Application of quantum-inspired generative models to small molecular
datasets

解决问题：该论文旨在探索量子启发式生成模型在分子发现问题上的应用。该研究旨在验证量子启发式模型在实际问题中的优势，特别是基于张量网络的量子启发式模型是否能够在小分子数据集上实现更好的表现。

关键思路：该论文的关键思路是使用基于张量网络的量子启发式生成模型解决分子发现问题。与当前领域的研究相比，该论文的思路新颖，因为它是首次将量子启发式模型应用于分子发现问题。

其他亮点：该论文使用了两个小型分子数据集，并比较了几种张量网络模型和生成对抗网络的性能。研究人员还结合了多种模型的输出，并证明了这种组合可以产生更好的结果。该论文还提出了将经典和量子启发式生成学习结合起来的想法，这是一个值得深入研究的方向。然而，该论文没有提供开源代码。

关于作者：C. Moussa、H. Wang、M. Araya-Polo、T. Bäck、V. Dunjko是本文的作者。他们来自不同机构，包括法国巴黎高科学院、瑞典乌普萨拉大学、西班牙巴塞罗那大学和德国IBM量子团队。他们之前的代表作包括关于量子机器学习和量子计算的多篇论文。

相关研究：近期其他相关的研究包括：

1. “Quantum Generative Adversarial Networks for Learning and Loading Random Distributions”，作者：L. Banchi、S. Lloyd，机构：麻省理工学院；
2. “Quantum Generative Models for Small Molecule Drug Discovery: A Review”，作者：Y. Cao、A. Romero、P. Arrighi，机构：西北大学；
3. “Quantum Machine Learning for Quantum Chemistry: A Review”，作者：K. Mitarai、M. Negoro、M. Kitagawa、E. Fujiwara，机构：三菱电机公司。

论文摘要：本文探讨了量子和量子启发式机器学习在小分子数据集上的应用。由于量子计算机的普及，特别是近期设备的普及，量子和量子启发式机器学习已经成为一个具有前途和挑战的研究领域。理论贡献指出，生成建模是实现这些技术的第一个真实世界量子优势的有希望的方向。一些实证研究也证明了这种潜力，特别是考虑到基于张量网络的量子启发式模型。在本文中，我们将张量网络生成模型应用于分子发现问题。在我们的方法中，我们利用了两个小分子数据集：QM9数据集的4989个分子子集和TotalEnergies的516个已验证抗氧化剂的小型内部数据集。我们比较了几个张量网络模型和一个生成对抗网络，使用不同的基于样本的度量标准来反映它们在每个任务上的学习性能和多目标性能，每个任务使用3个相关的分子度量标准。我们还结合了模型的输出，并通过实证证明这种组合是有益的，倡导经典和量子（启发式）生成学习的统一。

​Read More