[論文レビュー] Hybrid quantum-classical convolutional neural networks to improve molecular protein binding affinity predictions

L. Domingo, M. Djukic+2 more|arXiv (Cornell University)|Jan 16, 2023

Computational Drug Discovery Methods被引用数 4

ひとこと要約

本論文は、最初の畳み込み層を量子回路に置き換えるハイブリッド量子古典的3次元畳み込みニューラルネットワークを提案する。これにより、モデルの複雑さを20%削減し、学習時間を20–40%短縮しながらも、分子タンパク質結合親和性の予測性能を維持する。この手法は、量子回路を用いて高次元の分子データをより効率的に処理し、誤り補正により現実的なノイズレベル（p ≤ 0.01）下でも頑健な性能を発揮する。

ABSTRACT

One of the main challenges in drug discovery is to find molecules that bind specifically and strongly to their target protein while having minimal binding to other proteins. By predicting binding affinity, it is possible to identify the most promising candidates from a large pool of potential compounds, reducing the number of compounds that need to be tested experimentally. Recently, deep learning methods have shown superior performance than traditional computational methods for making accurate predictions on large datasets. However, the complexity and time-consuming nature of these methods have limited their usage and development. Quantum machine learning is an emerging technology that has the potential to improve many classical machine learning algorithms. In this work we present a hybrid quantum-classical convolutional neural network, which is able to reduce by 20% the complexity of the classical network while maintaining optimal performance in the predictions. Additionally, it results in a significant time savings of up to 40% in the training process, which means a meaningful speed up of the drug discovery process.

研究の動機と目的

• 分子タンパク質結合親和性予測に用いられる古典的3次元畳み込みニューラルネットワークの計算複雑さと学習時間を低減すること。
• 高次元の分子データを処理するための深層学習アーキテクチャへの量子回路の統合を検討すること。
• 現実的なノイズのあるNISQ（中規模量子）条件下でのハイブリッド量子古典モデルの性能を評価すること。
• データレジームエラー補正（DRER）が、機械学習に使用するための正確な量子出力を回復する効果を評価すること。
• 量子強化モデルが、パrameter数と学習時間を削減しながらも、予測精度を維持できることを示すこと。

提案手法

• トレーニング可能なパラメータ数を減らすために、3次元CNNの初期古典的畳み込み層をパラメータ化された量子回路に置き換える。
• タンパク質リガンド複合体の3次元グリッド表現を入力とし、原子特徴をボリュメトリックテンソルに符号化する。
• 入力データを処理するための300ゲートの量子回路を実装し、指数的拡張するヒルベルト空間を活用して効率的な特徴抽出を実現する。
• ハイパーパramータ最適化された線形モデルを用いて、量子回路出力のノイズを補正するためのデータレジームエラー補正（DRER）を適用する。
• タンパク質リガンド結合親和性のデータセット上でハイブリッドモデルを学習し、完全に古典的な3次元CNNと性能と学習効率を比較する。
• 誤り確率（p）を変化させたデポラライジング、アンプリチュードデーピング、位相デーピングのノイズモデルを用いて、古典的ハードウェア上で量子回路をシミュレートする。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッド量子古典的3次元CNNは、予測精度を損なわずに結合親和性予測におけるトレーニングパラメータ数を削減できるか？
• RQ2 量子回路は、分子性質予測のための深層学習モデルの学習プロセスをどの程度高速化できるか？
• RQ3 現実的なノイズレベル（p ≤ 0.01）下で、データレジームエラー補正（DRER）は正確な量子出力をどの程度効果的に回復できるか？
• RQ4 異なるノイズモデル（デポラライジング、アンプリチュードデーピング、位相デーピング）は、ハイブリッドモデルの性能にどのような影響を与えるか？
• RQ5 誤り確率が0.01未満のノイズのある量子ハードウェア上で実行された場合、ハイブリッドモデルは最適な性能を維持できるか？

主な発見

• ハイブリッド量子古典的3次元CNNは、古典的ベースラインと比較してトレーニングパラメータ数を20%削減した。
• ハードウェアに応じて20–40%の学習時間短縮が達成され、薬物発見プロセスが顕著に高速化された。
• 誤り確率p ≤ 0.01の場合、DRER誤り補正技術により、ノイズのある回路よりも量子回路出力の平均二乗誤差（MSE）が低くなった。
• p = 0.001（デポラライジングチャネル）のとき、誤り補正の傾向精度は0.89を超える傾向を示し、出力方向性の正確な補正が可能であることを示した。
• アンプリチュードデーピングノイズモデルは、他のノイズタイプと比較して、傾向精度の向上が遅く、最も補正が難しいと判明した。
• p ≤ 0.01かつ300ゲート回路の条件下で、DRERアルゴリズムはノイズレスな量子振幅を効果的に回復し、機械学習への信頼できる利用を可能にした。