分子图学习中的变分量子注意力

分子性质预测是计算药物发现的核心环节，图神经网络在消息传递过程中学习对相邻原子环境进行加权。然而，变分量子电路如何改变分子图中学习到的注意力行为，仍不清楚。我们提出了一种面向边的分子图学习变分量子注意力机制，其中接收原子、相邻原子及其连接键共同决定量子注意力状态。在五项分子性质和生物活性预测任务中，QGAT 相较于 GATv2 达到了具有竞争力的性能，并且在所评估的六种电路 Ansatz 中，均在 BBBP 任务上取得了稳定提升。我们进一步比较了量子注意力分数和经典注意力分数如何对分子结构进行加权，而不仅仅关注准确率。在 Verubecestat BACE1 抑制剂系列中，QGAT 的 Spearman 相关系数高于 GATv2，并为若干结构变化赋予了正向归因，这与已报道的构效关系（SARs）一致。该案例研究表明，对于结构相关的 BACE1 类似物，两种注意力机制可能表现出不同的预测和归因行为；但仍需更广泛的验证，以确定这些差异能否在不同化学系列和靶点中稳定泛化。电路消融实验进一步表明，性能取决于电路设计。总体而言，这些结果表明，变分量子注意力可以作为一种可行的分子注意力参数化方式，同时产生区别于匹配的经典评分器、且依赖于电路和化学性质的行为。