クリーブランドクリニックの研究者たちは、分子のプロトン親和性（PA）をより効率的かつ競争力のある精度で予測するハイブリッド型量子-古典機械学習モデルを開発しました。Journal of Chemical Theory and Computationに掲載されたこのモデルは、古典的な分子記述子と特徴エンコーダーとして機能する量子回路を統合し、現在のノイズのある中規模量子（NISQ）ハードウェアと互換性のある実用的なアプローチを提供します。 研究チームは、186の記述子からなる特徴セットを使用して1,100以上の分子に対して古典的アンサンブルモデルを訓練し、実験誤差の範囲内である2.47 kcal/molの平均絶対誤差（MAE）を達成しました。複雑さを軽減するために、これらの特徴のサブセットを低深度のパラメータ化された回路を使用して量子状態にエンコードしました。このエンコーディングによりデータの潜在構造が明らかになり、量子エンコードされた1つの特徴が、元の記述子のいずれよりも2桁強いPA値との相関を示しました。ハイブリッドモデルは、シミュレーションで3.29 kcal/mol、IBMの「IBM-Cleveland」デバイスで3.63 kcal/molのMAEを達成し、古典的なモデルと比べて大幅に少ないトレーニング可能なパラメータで実現しました。 この研究は、化学に焦点を当てたML（機械学習）パイプラインにおけるエンコーダーとしての量子回路の有用性を強調し、完全な量子ソルバーを必要とせずに次元の拡張と表現力の向上を提供しています。これは、NSIQハードウェアがハイブリッドワークフローに戦略的に統合された場合、有意義な改善をもたらすことができるという見方を支持しています。 2025年4月4日