[論文レビュー] Quantum Generative Models for Small Molecule Drug Discovery

Junde Li, Rasit Onur Topaloglu+1 more|arXiv (Cornell University)|Jan 9, 2021

Machine Learning in Materials Science参考文献 22被引用数 15

ひとこと要約

本稿では、少量のキュービットと古典的ディスクリミネーターを用いた、小分子創薬に向けたqubit効率的なハイブリッド量子生成対抗ネットワーク（QGAN-HG）を提案する。この手法は、古典的GANよりもはるかに広大な化学空間を効率的に探索できる。生成器のパラメータのわずか14.93%と、量子回路のゲートパラメータがたった15個であるにもかかわらず、QGAN-HGは古典的GANと同等の性能を達成し、特にパッチ付き量子回路を用いる場合、学習安定性や速度において同等または優れた結果を示す。

ABSTRACT

Existing drug discovery pipelines take 5-10 years and cost billions of dollars. Computational approaches aim to sample from regions of the whole molecular and solid-state compounds called chemical space which could be on the order of 1060 . Deep generative models can model the underlying probability distribution of both the physical structures and property of drugs and relate them nonlinearly. By exploiting patterns in massive datasets, these models can distill salient features that characterize the molecules. Generative Adversarial Networks (GANs) discover drug candidates by generating molecular structures that obey chemical and physical properties and show affinity towards binding with the receptor for a target disease. However, classical GANs cannot explore certain regions of the chemical space and suffer from curse-of-dimensionality. A full quantum GAN may require more than 90 qubits even to generate QM9-like small molecules. We propose a qubit-efficient quantum GAN with a hybrid generator (QGAN-HG) to learn richer representation of molecules via searching exponentially large chemical space with few qubits more efficiently than classical GAN. The QGANHG model is composed of a hybrid quantum generator that supports various number of qubits and quantum circuit layers, and, a classical discriminator. QGAN-HG with only 14.93% retained parameters can learn molecular distribution as efficiently as classical counterpart. The QGAN-HG variation with patched circuits considerably accelerates our standard QGANHG training process and avoids potential gradient vanishing issue of deep neural networks. Code is available on GitHub https://github.com/jundeli/quantum-gan.

研究の動機と目的

• 小分子の指数的かつ巨大な化学空間を探索する上で、古典的ディープ生成モデルの限界を克服すること。
• 小分子（QM9に類するもの）に適用するには90キュービット以上を必要とする完全量子GANにおけるキュービットスケーラビリティの障壁に対処すること。
• 最小限の量子リソースで高い表現力を持つハイブリッド量子-古典的GANアーキテクチャを開発すること。
• パッチ付き量子回路設計を用いて、GANにおけるモード崩壊や勾配消失といった学習不安定性を緩和すること。

提案手法

• QGAN-HGモデルは、調整可能なキュービット数と回路深さを持つハイブリッド量子生成器と、実サンプル／偽サンプルの分類を担う古典的ディスクリミネーターを組み合わせる。
• 量子生成器は、分子特徴を符号化し、原子層および結合層の操作を通じて合成分子グラフを生成するパラメータ化量子回路（PQC）を用いる。
• パッチ付き量子回路設計により、量子回路を複数のサブ回路に分割（例：P2-QGANは4キュービットの2つの回路、P4-QGANは2キュービットの4つの回路）することで、キュービット要件を低減し、学習効率を向上させる。
• モデルはハイブリッドトレーニングループを採用し、古典的ディスクリミネーターからの勾配を、古典的ニューラルネットワークおよび量子回路パラメータの両方へ逆伝播させる。
• 実分子と生成分子の分布の類似度を評価する主な指標として、Fréchet距離（FD）を用いる。
• 生成された1000分子について、RDKitを用いて合成可能性、多様性、新規性といった薬物的特性を評価し、実用的価値を検証する。

実験結果

リサーチクエスチョン

• RQ1 最小限の量子リソースを用いたハイブリッド量子-古典的GANが、古典的GANと同等に小分子の分子分布を学習できるか？
• RQ2 パッチ付き量子回路の使用が、単一の深層量子回路と比較して、トレーニング時間を短縮し、安定性を向上させるか？
• RQ3 たった15個のゲートパラメータを持つ量子生成器が、パラメータを85%も削減した古典的GANと同等の性能を達成できるか？
• RQ4 量子生成器の表現力が、古典モデルでは到達できない化学空間の領域をどれほど効果的に探索可能にするか？
• RQ5 生成分子が合成可能性や新規性といった主要な薬物的特性において、実分子と比較してどの程度優れているか？

主な発見

• QGAN-HGは、元の生成器のパラメータのわずか14.93%を用いても、Fréchet距離および薬物的特性指標において、完全な古典的MolGANと同等の性能を達成した。
• パッチ付きQGAN-HGの変種（P4-QGAN）は、追加でたった12個のゲートパラメータを追加するだけで、完全なQGAN-HGと同等の学習精度を達成し、極めて高い効率性を示した。
• パッチ付き回路を用いたトレーニングは、シミュレーション時間を顕著に短縮し、収束を早期に達成することができ、深層古典的ネットワークに見られる勾配消失問題を緩和した。
• 量子シミュレータおよび実際のIBM Qハードウェアの両方でトレーニングしたQGAN-HGは一貫した結果を示し、実ハードウェアではやや高い一意性および合成可能性スコアを示した。
• すべてのGANバージョン（包括的に削減された古典的MolGAN-HRを含む）は高い多様性と新規性スコアを達成したが、唯一QGAN-HGのみが低Fréchet距離を維持する安定した学習を示した。
• QGAN-HGは、QM9に類する分子に必要な90キュービット以上を必要とする完全量子GANを回避しつつ、少ないキュービット数で複雑な化学空間を効果的に探索できた。