量子科技中心_量科网

新药研发是一个耗时漫长且成本高昂的过程，平均成本估计高达25亿美元左右。在这个漫长过程中的第一步是新药设计，而近年来人工智能辅助的从头药物设计（de novo drug design）蓬勃发展，彻底改变了这一领域。特别是生成式人工智能在药物发现与开发中展现出令人瞩目的成果，显著降低了研发成本并缩短了周期。然而传统生成模型（如生成对抗网络GANs）由于存在梯度消失问题而难以训练，且易发生模式坍塌。量子计算或许能突破这些瓶颈，通过构建参数更少的模型来增强GANs的泛化能力。 该研究团队提出了一种基于风格的新型量子生成对抗网络（QGAN）架构，通过在电路每个旋转门实施噪声编码，并在损失函数中引入梯度惩罚来缓解模式坍塌。该工作采用变分自编码器将分子结构映射到潜在空间，随后作为QGAN的输入。基线模型在量子模拟器上运行至多15个量子比特以验证架构有效性，并利用IBM Heron量子计算机（156量子比特配置下的五量子比特子系统）进行推理实验，以评估真实量子硬件对分析结果的影响。研究结果以MOSES基准测试套件提供的经典模型为参照标准进行了对比验证。