用量子支持向量机提升药物分子活性预测精度
Quantum QSAR for drug discovery
- 引入量子核函数与量子编码处理分子数据
- 在高维分子特征中捕捉复杂非线性关系
- 适合对药物发现中复杂结构-活性关系建模的研究者
定量构效关系（QSAR）建模在药物发现中至关重要，但经典方法在处理高维数据和捕捉复杂分子相互作用时存在局限。本研究提出利用量子支持向量机（QSVM）增强QSAR技术，借助量子计算原理在希尔伯特空间中处理信息。通过量子数据编码与量子核函数，旨在构建更准确、高效的预测模型。
原文摘要 · Abstract (English)
Quantitative Structure-Activity Relationship (QSAR) modeling is key in drug discovery, but classical methods face limitations when handling high-dimensional data and capturing complex molecular interactions. This research proposes enhancing QSAR techniques through Quantum Support Vector Machines (QSVMs), which leverage quantum computing principles to process information Hilbert spaces. By using quantum data encoding and quantum kernel functions, we aim to develop more accurate and efficient predictive models.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。