Molecular Design beyond Training Data with Novel Extended Objective Functionals of Generative AI Models Driven by Quantum Annealing Computer

Created by

Haebom

저자

Hayato Kunugi, Mohsen Rahmani, Yosuke Iyama, Yutaro Hirono, Akira Suma, Matthew Woolway, Vladimir Vargas-Calderon, William Kim, Kevin Chern, Mohammad Amin, Masaru Tateno

💡 개요

본 논문은 양자 어닐링 컴퓨터를 활용하여 딥 생성 모델의 약물 유사 화합물 생성 빈도를 높이는 새로운 프레임워크를 제안합니다. 제안된 신경 해시 함수(NHF)는 생성 모델의 정규화와 이진화에 동시에 사용되며, 이를 통해 고전적인 딥러닝 모델보다 유효성 및 약물 유사성 측면에서 더 높은 품질의 화합물을 생성합니다. 특히, 별도의 제약 없이도 훈련 데이터셋을 능가하는 약물 유사성을 가진 화합물을 생성하는 데 성공했습니다.

🔑 시사점 및 한계

•

양자 어닐링을 딥 생성 모델에 통합하여 약물 발견 가속화를 위한 새로운 가능성을 제시합니다.

•

신경 해시 함수(NHF)는 연속 및 이산 신호 간의 변환과 모델 최적화를 동시에 수행하는 효과적인 기법임을 보여줍니다.

•

생성된 화합물이 훈련 데이터셋의 특성을 능가하는 약물 유사성을 보이는 것은 흥미로운 결과이며, 이는 특징 공간 샘플링 및 추출에 양자 컴퓨팅의 이점을 시사합니다.

•

제안된 방법론의 확장성 및 다양한 유형의 분자 생성 문제에 대한 적용 가능성에 대한 추가 연구가 필요합니다.

PDF 보기

Made with Slashpage