[论文解读] 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 15

一句话总结

本文提出了一种量子比特高效的混合量子生成对抗网络（QGAN-HG），用于小分子药物发现，采用少量量子比特的量子生成器与经典判别器相结合，比经典 GAN 更高效地探索广阔的化学空间。尽管仅使用原始生成器 14.93% 的参数量以及量子电路中仅 15 个门参数，QGAN-HG 的性能仍可与经典 GAN 相媲美，且在学习稳定性与速度方面表现相当或更优，尤其在使用分段量子电路时表现更佳。

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.

研究动机与目标

• 为克服经典深度生成模型在探索小分子指数级庞大的化学空间方面的局限性。
• 解决全量子 GAN 中量子比特可扩展性障碍，后者在小分子（如 QM9 中的分子）上需要超过 90 个量子比特。
• 开发一种混合量子-经典 GAN 架构，在最小化量子资源的前提下保持高表达能力。
• 通过分段量子电路设计，缓解 GAN 训练中的模式崩溃和梯度消失等不稳定性问题。

提出的方法

• QGAN-HG 模型采用可调量子比特数量和电路深度的混合量子生成器，搭配经典判别器用于真实/虚假样本分类。
• 量子生成器使用参数化量子电路（PQCs）编码分子特征，并通过原子层与键层操作生成合成分子图。
• 分段量子电路设计将量子电路拆分为多个子电路（例如，P2-QGAN 使用两个 4 量子比特电路，P4-QGAN 使用四个 2 量子比特电路），以降低量子比特需求并提升训练效率。
• 模型采用混合训练循环，其中来自经典判别器的梯度反向传播至经典神经网络和量子电路参数。
• 使用弗雷chet距离（FD）作为主要指标，评估真实分子与生成分子之间的分布相似性。
• 通过 RDKit 对 1000 个生成分子的药物性质（如合成可及性、多样性与新颖性）进行评估，以衡量其实际应用价值。

实验结果

研究问题

• RQ1 是否能够通过仅使用极少量子资源的混合量子-经典 GAN，以与经典 GAN 相当的效率学习小分子的分子分布？
• RQ2 与单一深层量子电路相比，使用分段量子电路是否能减少训练时间并提升训练稳定性？
• RQ3 仅含 15 个门参数的量子生成器是否能与参数量减少 85% 的经典 GAN 达到相当的性能？
• RQ4 量子生成器的表达能力在多大程度上使其能够探索经典模型无法触及的化学空间区域？
• RQ5 在关键药物样性质（如合成可及性与新颖性）方面，生成分子与真实分子相比表现如何？

主要发现

• 仅使用原始生成器 14.93% 参数量的 QGAN-HG，在弗雷chet距离与药物性质指标方面，性能与完整经典 MolGAN 相当。
• 分段 QGAN-HG 变体（P4-QGAN）仅增加 12 个额外门参数，即可实现与完整 QGAN-HG 相当的学习准确率，展现出极高的效率。
• 使用分段电路进行训练显著缩短模拟时间并实现更早收敛，有效缓解了深层经典网络中常见的梯度消失问题。
• 在量子模拟器和真实 IBM Q 硬件上训练的 QGAN-HG 均获得一致结果，真实硬件上的分子具有略高的唯一性与可合成性得分。
• 所有 GAN 变体（包括高度简化的经典 MolGAN-HR）均实现了高多样性与新颖性得分，但仅 QGAN-HG 展现出稳定的学习过程与低弗雷chet距离。
• 该模型成功以更少的量子比特导航复杂化学空间，避免了全量子 GAN 对 QM9 类似分子所需超过 90 个量子比特的限制。