[논문 리뷰] Quantum Generative Models for Small Molecule Drug Discovery

Junde Li, Rasit Onur Topaloglu외 1명|arXiv (Cornell University)|2021. 01. 09.

Machine Learning in Materials Science참고 문헌 22인용 수 15

한 줄 요약

이 논문은 소분자 약물 발견을 위한 큐비트 효율적인 하이브리드 양자 생성 적대 신경망(QGAN-HG)을 제안한다. 이는 적은 수의 큐비트를 가진 양자 생성기와 고전적 판별기로 구성되어 있으며, 기존의 고전적 GAN보다 더 효율적으로 광범위한 화학적 공간을 탐색할 수 있다. 기존 생성기의 파rameter의 14.93%와 양자 회로의 단지 15개의 게이트 파rameter만을 사용함에도 불구하고, QGAN-HG는 고전적 GAN과 동일한 성능을 달성하며, 특히 패치 처리된 양자 회로를 사용할 경우 학습 안정성과 속도 면에서 유사하거나 더 우수한 성능을 보였다.

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.

연구 동기 및 목표

• 소분자의 기하급수적으로 큰 화학적 공간을 탐색하는 데 있어 고전적 딥 생성 모델의 한계를 극복하기 위해.
• 소분자(예: QM9에 포함된 것들)에 대해 90개 이상의 큐비트가 필요한 전량 양자 GAN에서 발생하는 큐비트 스케일링 장벽을 해결하기 위해.
• 최소한의 양자 자원으로도 높은 표현 능력을 유지하는 하이브리드 양자-고전적 GAN 아키텍처를 개발하기 위해.
• GAN의 학습 불안정성 문제인 모드 붕괴와 기울기 소실을 패치 처리된 양자 회로 설계를 통해 완화하기 위해.

제안 방법

• QGAN-HG 모델은 조절 가능한 큐비트 수와 회로 깊이를 가진 하이브리드 양자 생성기와 실수/가짜 샘플 분류를 위한 고전적 판별기를 사용한다.
• 양자 생성기는 분자의 특징을 인코딩하고 원자 및 결합 레이어 연산을 통해 합성 분자 그래프를 생성하기 위해 파arameterized 양자 회로(PQC)를 사용한다.
• 패치 처리된 양자 회로 설계는 양자 회로를 여러 개의 하위 회로(예: P2-QGAN은 2개의 4큐비트 회로, P4-QGAN은 4개의 2큐비트 회로)로 나누어 큐비트 요구량을 줄이고 학습 효율성을 향상시킨다.
• 모델는 고전적 판별기에서 유도된 기울기를 고전적 신경망과 양자 회로 파rameter에 모두 역전파하는 하이브리드 학습 루프를 사용한다.
• 실제 분자와 생성된 분자 간의 분포 유사도 평가를 위해 프리셰트 거리(Fréchet Distance, FD)를 주요 평가 지표로 사용한다.
• 생성된 1000개 분자에 대해 RDKit를 사용해 합성 가능성, 다양성, 신선도 등의 약물 특성을 평가하여 실용적 유용성을 점검한다.

실험 결과

연구 질문

• RQ1 최소한의 양자 자원을 사용하는 하이브리드 양자-고전적 GAN이 고전적 GAN과 동일한 수준으로 소분자의 분포를 효과적으로 학습할 수 있는가?
• RQ2 패치 처리된 양자 회로를 사용할 경우 단일 깊은 양자 회로에 비해 학습 시간을 단축하고 안정성을 향상시킬 수 있는가?
• RQ3 단지 15개의 게이트 파rameter만을 가진 양자 생성기가 기존 생성기의 85% 감소된 파rameter를 가진 고전적 GAN과 동일한 성능을 낼 수 있는가?
• RQ4 양자 생성기의 표현 능력이 고전적 모델이 접근할 수 없는 화학적 공간의 영역을 탐색하는 데 얼마나 기여하는가?
• RQ5 합성 가능성과 신선도와 같은 핵심 약물 유사 특성에서 생성된 분자는 실제 분자와 어떻게 비교되는가?

주요 결과

• QGAN-HG는 원래 생성기의 파rameter의 14.93%만을 사용하여 프리셰트 거리와 약물 특성 지표 면에서 전체 고전적 MolGAN과 동일한 성능을 달성했다.
• 패치 처리된 QGAN-HG 변종(P4-QGAN)은 추가로 12개의 게이트 파rameter만을 사용하여 전체 QGAN-HG와 유사한 학습 정확도를 달성했으며, 높은 효율성을 입증했다.
• 패치 처리된 회로로 학습할 경우 시뮬레이션 시간이 크게 단축되었고, 깊은 고전적 네트워크에서 흔히 발생하는 기울기 소실 문제를 완화하는 데 기여했다.
• 양자 시뮬레이터와 실제 IBM Q 하드웨어에서 학습한 QGAN-HG는 일관된 결과를 보였으며, 실제 하드웨어에서는 약간 더 높은 고유성 및 합성 가능성 점수를 기록했다.
• 모든 GAN 변종, 특히 매우 감소된 고전적 MolGAN-HR까지도 높은 다양성과 신선도 점수를 기록했지만, 유일하게 QGAN-HG만이 낮은 프리셰트 거리로 안정적인 학습을 보였다.
• QGAN-HG는 더 적은 큐비트로 복잡한 화학적 공간을 효과적으로 탐색했으며, QM9 유사 분자를 위한 전량 양자 GAN가 요구하는 90개 이상의 큐비트가 필요로 하는 문제를 피했다.