MolPaQ：解釈可能な分子生成のためのモジュール式量子—古典パッチ学習

arXiv cs.AI / 2026/4/13

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、単一のモノリシックなモデルを用いるのではなく、量子生成された潜在パッチから分子を組み立てるモジュール式量子—古典分子生成器「MOLPAQ」を提案している。
QM9で事前学習したβ-VAEを用いて化学的に整合した潜在マニホールドを学習し、さらに分子記述子をその潜在空間へ写像する簡略化した「コンディショナー」を使うことで、制御された生成を可能にする。
パラメータ効率の高い量子パッチ生成器が絡み合ったノード埋め込みを生成し、それを原子価を考慮したアグリゲータが合成して、化学的に妥当な分子グラフを再構成する。
潜在クリティックと化学性に形作られた報酬による敵対的微調整により、RDKit妥当性100%、新規性99.75%、多様性0.905が達成できたと報告されている。
パラメータが一致する古典的生成器と比較して、量子成分は平均QEDを約2.3%改善し、芳香族モチーフの出現頻度を約10〜12%増加させるとされており、コンパクトなトポロジー形成効果が示唆される。

Abstract

分子生成モデルは、有効性・多様性・性質制御を同時に保証する必要がありますが、既存の手法は一般にこれらの目的間でトレードオフが生じます。そこで本稿では、量子生成された潜在パッチから分子を組み立てるモジュール型量子—古典ジェネレータであるMOLPAQを提案します。QM9上で事前学習した {eta}-VAE は化学的に整合した潜在マニフォールドを学習し、縮小したコンディショナーが分子記述子をこの空間へ写像します。そして、パラメータ効率の高い量子パッチジェネレータは、エンタングルしたノード埋め込みを生成し、それを価数を考慮したアグリゲータが、妥当な分子グラフへ再構成します。潜在クリティックと化学に形作られた報酬による敵対的ファインチューニングにより、RDKitの有効性が100 % 、新規性が99.75 % 、多様性が0.905となります。集約指標を超えて、コンディショナーにより誘導される事前学習済みの量子ジェネレータは、平均QEDを約2.3 % 改善し、パラメータが一致した古典ジェネレータに比べて芳香族モチーフの出現頻度を約10-12 % 増加させます。これは、その分子トポロジーを形作るコンパクトな演算子としての役割を示しています。