Application of quantum-inspired generative models to small molecular datasets

要約

タイトル：小規模な分子データセットに量子インスパイアド生成モデルを適用する

要約：
– 量子及び量子インスパイアド機械学習は、量子コンピューティングの普及に伴い、有望で挑戦的な研究分野として現れている。
– 理論的貢献は、それらの技術から実際の世界の量子の利点の最初の例を実現するために、生成モデリングを有望な方向と指摘している。
– 数値的な研究によって、テンソルネットワークに基づく量子インスパイアドモデルを考慮した場合、これらの可能性が示されている。
– 本研究では、分子探索の問題にテンソルネットワークに基づく生成モデルを適用する。
– アプローチでは、2つの小規模な分子データセットを使用して、それらのタスクでの学習パフォーマンスを反映する異なるサンプルベースのメトリックを使用して、いくつかのテンソルネットワークモデルを生成対抗ネットワークと比較している。
– また、各タスクごとに3つの関連する分子メトリックを使用した多目的パフォーマンスも比較している。
– さらに、モデルの出力を組み合わせ、そのような組み合わせが有益であることを実証するとともに、古典的及び量子（インスパイアド）生成学習の統合を提唱している。

要約(オリジナル)

Quantum and quantum-inspired machine learning has emerged as a promising and challenging research field due to the increased popularity of quantum computing, especially with near-term devices. Theoretical contributions point toward generative modeling as a promising direction to realize the first examples of real-world quantum advantages from these technologies. A few empirical studies also demonstrate such potential, especially when considering quantum-inspired models based on tensor networks. In this work, we apply tensor-network-based generative models to the problem of molecular discovery. In our approach, we utilize two small molecular datasets: a subset of $4989$ molecules from the QM9 dataset and a small in-house dataset of $516$ validated antioxidants from TotalEnergies. We compare several tensor network models against a generative adversarial network using different sample-based metrics, which reflect their learning performances on each task, and multiobjective performances using $3$ relevant molecular metrics per task. We also combined the output of the models and demonstrate empirically that such a combination can be beneficial, advocating for the unification of classical and quantum(-inspired) generative learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI