文献

J-GLOBAL ID：202102268764199495   整理番号：21A0302836

量子機械学習による毒性の予測【JST・京大機械翻訳】

Predicting toxicity by quantum machine learning

著者 (3件)： Suzuki Teppei (TerraSky Co., Ltd, Taiyo Life Nihombashi Building 15-17F, 2-11-2 Nihombashi, Chuo-ku, Tokyo 103-0027, Japan) ,  Suzuki Teppei (Quemix, Inc., Taiyo Life Nihombashi Building 16F, 2-11-2 Nihombashi, Chuo-ku, Tokyo 103-0027, Japan) ,  Katouda Michio (Research Organization for Information Science and Technology, Sumitomo-Hamamatsucho Building 7F, 1-18-16 Hamamatsucho, Minato-ku, Tokyo 105-0013, Japan)
資料名： Journal of Physics Communications  (Journal of Physics Communications)
巻： 4  号： 12  ページ： 125012 (15pp)  発行年： 2020年 
JST資料番号： W5564A  ISSN： 2399-6528  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 近年,パラメータ化量子回路は,ハイブリッド量子古典的手法の枠組みの中で機械学習モデルと見なされてきた。量子機械学習(QML)を二値分類問題と教師なし学習に適用した。しかし,非線形回帰タスクに対する実用的量子応用は,かなり少ない注目を受けてきた。ここでは,定量的構造活性相関に基づいて221フェノール類の毒性を予測するために設計したQMLモデルを開発した。結果は,量子エンタングルメントによって強化された著者らのデータ符号化が以前のものより多くの表現力を提供し,量子相関が古典的データの特徴マップ表現に有益であることを意味した。著者らのQMLモデルは,多重線形回帰法よりも著しく優れていた。さらに,このシミュレーションは,QMLモデルが動径基底関数ネットワークを用いて得られるものに匹敵することを示したが,一般化性能を改善した。本研究は,QMLがケモインフォマティクスのような非線形回帰タスクの代替アプローチであることを意味する。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  教師なし学習 ,  パラメタリゼーション ,  定量的構造活性相関 ,  *機械学習 ,  動径基底関数ネットワーク ,  量子もつれ
準シソーラス用語： 線形回帰 ,  特徴マップ ,  ケモインフォマティクス ,  多重線形回帰 ,  二値分類 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 量子機械 ,  学習 ,  毒性 ,  予測