机构名称：
¥ 1.0
摘要：毒性是阻碍大量药物用于可能挽救生命的应用的障碍。深度学习为寻找理想的候选药物提供了一种有希望的解决方案；然而，化学空间的广阔性加上底层的 n ( ) 3 矩阵乘法意味着这些努力很快就会变得计算量巨大。为了解决这个问题，我们提出了一种混合量子经典神经网络来预测药物毒性，该网络利用量子电路设计来模仿经典神经行为，通过明确计算复杂度为 n ( ) 2 的矩阵积。利用 Hadamard 测试进行有效的内积估计，而不是传统使用的交换测试，我们将量子比特数减少了一半，并且消除了对量子相位估计的需要。直接以量子力学方式计算矩阵积允许将可学习的权重从量子转移到经典设备以进行进一步训练。我们将我们的框架应用于 Tox21 数据集，并表明它实现了与模型的完全经典相当的预测准确度
量子到经典神经网络迁移学习应用于药物毒性预测
主要关键词
相关文件推荐
