CN114446412A - 基于量子门控循环神经网络的分子生成方法及装置 - Google Patents
基于量子门控循环神经网络的分子生成方法及装置 Download PDFInfo
- Publication number
- CN114446412A CN114446412A CN202210120149.8A CN202210120149A CN114446412A CN 114446412 A CN114446412 A CN 114446412A CN 202210120149 A CN202210120149 A CN 202210120149A CN 114446412 A CN114446412 A CN 114446412A
- Authority
- CN
- China
- Prior art keywords
- quantum
- quantum wire
- chemical elements
- variational
- vqc
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/50—Molecular design, e.g. of drugs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
- G16B15/30—Drug targeting using structural data; Docking or binding prediction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pharmacology & Pharmacy (AREA)
- Crystallography & Structural Chemistry (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于量子门控循环神经网络的分子生成方法及装置,属于量子计算技术领域。因为该方法使用量子门控循环单元对包含分子表达信息的分子序列中的化学元素及其对应的隐藏状态进行重置和更新,生成新的隐藏状态,从而得到生成的分子,所以,该方法满足了门控循环神经网络算法建立序列长期短期依赖关系的需求,并且计算资源消耗少,因此在量子芯片和电子芯片的协同工作及生物医药领域中具有广泛的应用前景。
Description
技术领域
本发明涉及量子计算领域,具体涉及一种基于量子门控循环神经网络的分子生成方法及装置。
背景技术
小型有机分子的化学空间包含的化学结构众多,并且药物设计主要目标之一是找到能够以所需方式调节给定靶标(通常是蛋白质),使得化学家们在分子的de novo设计这一问题上需要解决一个复杂的多元优化任务。之前传统的方法大部分都需要先验知识,例如需要知道结构-活性关系,化学转化规则等。现有技术中已存在利用可以生成图像或者生成文本的深度生成模型来生成分子。
虽然分子生成的问题基于门控循环神经网络模型取得了较好的的性能,但是门控循环神经网络算法需满足建立序列长期短期依赖关系的需求,并消耗大量计算资源,同时存在梯度消失的缺陷。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种基于量子门控循环神经网络的分子生成方法及装置。
本发明提供了一种基于量子门控循环神经网络的分子生成方法,具有这样的特征,包括:将包含分子表达信息的分子序列进行预处理得到分子序列对应的输入向量;将输入向量输入到量子门控循环单元中进行计算,依次遍历构成分子序列的所有化学元素,得到先前已处理的所有化学元素对应的的隐藏状态;对先前已处理的所有化学元素对应的的隐藏状态进行线性变换,输出生成的分子。
本发明提供的方法中,还具有这样的特征:其中,量子门控循环单元包括第一量子线路、第二量子线路以及第三量子线路,第一量子线路用于筛选先前隐藏状态下需要保留的化学元素;第二量子线路用于确定先前隐藏状态下需要保留的化学元素与当前需要保留的化学元素;第三量子线路用于确定先前隐藏状态下需要保留的化学元素。
本发明提供的方法中,还具有这样的特征:其中,第一量子线路包括第一变分量子线路、第二变分量子线路,第一量子线路的表达式如下:
rt=Softmax(VQC1(xt)+VQC2(ht-1))
Softmax为激活函数,VQC1为第一变分量子线路,xt为t时刻的化学元素,ht-1为t-1时刻的化学元素生成的隐藏状态,VQC2为第二变分量子线路。
本发明提供的方法中,还具有这样的特征:其中,第二量子线路包括第三变分量子线路、第四变分量子线路,
第二量子线路的表达式如下:
nt=tanh(VQC3(xt)+rt*VQC4(ht-1))
tanh为激活函数,VQC3为第三变分量子线路,rt为第一量子线路,VQC4为第四变分量子线路。
本发明提供的方法中,还具有这样的特征:其中,第三量子线路的表达式如下:
zt=Softmax(VQC5(xt)+VQC6(ht-1))
VQC5为第五变分量子线路,VQC6为第六变分量子线路。
本发明提供的方法中,还具有这样的特征:其中,先前已处理的所有化学元素对应的的隐藏状态的表达式如下:
ht=(1-zt)*nt+zt*ht-1
zt为第三量子线路,nt为第二量子线路。
本发明提供的方法中,还具有这样的特征:其中,任一变分量子线路均包括预定数目的参数化旋转模块与纠缠模块,参数化旋转模块用于提供变分量子线路可学习的参数;纠缠模块用于提供纠缠的多比特量子态。
本发明提供的方法中,还具有这样的特征:其中,任一变分量子线路用于提取、压缩构成分子序列的化学元素及其生成的隐藏状态,从而输出化学元素及隐藏状态各自对应的变分矢量,具体过程如下:将任意输入向量作为任一变分量子线路的相等叠加初始状态,并对其进行编码后输出对应的量子叠加态;将量子叠加态输入至参数化旋转模块与纠缠模块中进行幺正变换,输出变分矢量,经测量后输入至全连接神经网络,并通过Softmax激活函数输出生成的分子。
本发明提供的方法中,还具有这样的特征:其中,利用交叉熵损失函数对生成的分子进行优化。
本发明提供了一种基于量子门控循环神经网络的预测装置,具有这样的特征,包括:输入向量获取模块,用于将包含分子表达信息的分子序列进行预处理得到分子序列对应的输入向量;先前已处理的所有化学元素对应的隐藏状态获取模块,用于将输入向量输入到量子门控循环单元中进行计算,依次遍历构成分子序列的所有化学元素,得到先前已处理的所有化学元素对应的的隐藏状态;分子生成模块,用于对先前已处理的所有化学元素对应的隐藏状态进行线性变换,输出生成的分子。
发明的作用与效果
根据本发明所涉及的基于量子门控循环神经网络的分子生成方法,因为该方法使用量子门控循环单元对包含分子表达信息的分子序列中的化学元素及其对应的隐藏状态进行重置和更新,生成新的隐藏状态,从而得到生成的分子,所以,该方法满足了门控循环神经网络算法建立序列长期短期依赖关系的需求,并且计算资源消耗少,因此在量子芯片和电子芯片的协同工作及生物医药领域中具有广泛的应用前景。
根据本发明所涉及的基于量子门控循环神经网络的分子生成装置,因为该装置包括先前已处理的所有化学元素对应的隐藏状态获取模块,该模块中的量子门控循环单元通过对包含分子表达信息的分子序列中的化学元素及其对应的隐藏状态进行重置和更新,生成新的隐藏状态,从而得到生成的分子,所以,该装置满足了门控循环神经网络算法建立序列长期短期依赖关系的需求,并且计算资源消耗少,因此在量子芯片和电子芯片的协同工作及生物医药领域中具有广泛的应用前景。
附图说明
图1是本发明的实施例中基于量子门控循环神经网络的分子生成方法的流程图;
图2是本发明的实施例中基于量子门控循环神经网络的分子生成装置的结构示意图;
图3是本发明的实施例中第一量子线路的结构示意图;
图4是本发明的实施例中基于量子循环神经网络的分子生成装置的另一结构示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下结合实施例及附图对本发明作具体阐述。
<实施例>
图1是本发明的实施例中基于量子门控循环神经网络的分子生成方法的流程图。
如图1所示,本实施例提供的基于量子门控循环神经网络的分子生成方法包括如下步骤:
步骤S1,将包含分子表达信息的分子序列进行预处理得到分子序列对应的输入向量。
本实施例中,对分子序列进行预处理包括:
步骤S1-1,从ChEMBL22的数据库中获取有生物活性的化合物集合;
步骤S1-2,去除该化合物集合中含盐、立体化学信息、核酸和多肽和标识KD/I,/IC50,EC50>1μM的化合物,得到待分析化合物的分子表达信息的分子序列。
在本实施例中,分子表达信息的分子序列为分子的简化分子线性输入规范(SMILES)字符串,即用字符串来表示分子的化学结构,每一个字符代表化学元素或者结构的信息。
在本实施例中,通过Embedding(嵌入层)将分子对应的整数序列的每一个整数转换成向量,变成向量序列,即分子序列对应的输入向量。
步骤S2,将输入向量输入到量子门控循环单元中进行计算,依次遍历构成分子序列的所有化学元素,得到先前已处理的所有化学元素对应的隐藏状态。
图2是本发明的实施例中基于量子门控循环神经网络的分子生成装置的结构示意图。
如图2所示,本实施例提供的基于量子门控循环神经网络的分子生成装置51包括第一量子线路52、第二量子线路53、第三量子线路54。
第一量子线路52用于筛选先前隐藏状态下需要保留的化学元素,第一量子线路52包括第一变分量子线路521、第二变分量子线路522。
其中,第一量子线路52的表达式如下:
rt=Softmax(VQC1(xt)+VQC2(ht-1))
Softmax为激活函数,VQC1为第一变分量子线路521,xt为t时刻要处理的化学元素,ht-1为t-1时刻的化学元素生成的隐藏状态,VQC2为第二变分量子线路522。
图3是本发明的实施例中第一量子线路的结构示意图。
如图3所示,本实施例提供的第一量子线路52包括第一变分量子线路521与第二变分量子线路522。
图3a为第一变分量子线路的结构示意图。
如图3a所示,第一变分量子线路521用于提取构成分子序列的化学元素xt并对其进行压缩,从而输出化学元素对应的变分矢量,第一变分量子线路521包括参数化旋转模块5211、纠缠模块5212。
参数化旋转模块5211用于提供第一变分量子线路521可学习的参数,并将输入向量中的每个元素编码为量子叠加态。
在本实施利中,通过如下公式将输入向量编码为叠加量子态,具体公式如下:
其中,求和指标i是十进制的数,代表相应的基态的位串。n维的输入向量x=(x1,...,xn)对应分子序列中的每一个化学元素,并且n维输入向量x中的每一个元素将被用来生成两个旋转角度,比如,arctan(x1),第一个旋转角的生成通过旋转y轴(参数化泡利旋转门RY)得到,第二个旋转角的生成是通过旋转z轴(参数化泡利旋转门RZ)得到。通过给每一个量子比特施加两个旋转操作,使得作为相等叠加初始状态的输入向量x转变成对应的量子叠加态。在其他实施例中,也可使用其他编码方式。
纠缠模块5212包括预定数目的控制非门5213和单比特旋转门(U)5214。
控制非门5213作用在量子叠加态中每一对相邻的量子比特上,或者间隔为一的量子比特上,从而创造出纠缠的多比特量子态。
单比特旋转门5214具有多个旋转角度,如θ[0]、θ[1]……θ[11],利用现有的优化方式对单比特旋转门5214中的旋转角度进行计算,并对前n个量子比特进行测量,输出的量子态为2n维矢量。重复对分子序列中的每一个化学元素使用第一变分量子线路521,输出所有化学元素对应的变分矢量。
图3b为第二变分量子线路的结构示意图。
如图3b所示,第二变分量子线路522的结构与第一变分量子线路521的结构相同,区别仅在于第二变分量子线路522用于提取第一变分量子线路521输入的化学元素xt生成的隐藏状态ht-1并对该隐藏状态进行压缩,从而输出隐藏状态对应的变分矢量,在此不再赘述。
如图2所示,第二量子线路53包括第三变分量子线路531与第四变分量子线路532。
第二量子线路53用于确定先前隐藏状态下需要保留的化学元素与当前需要保留的化学元素。
在本实施例中,第二量子线路53的表达式如下:
nt=tanh(VQC3(xt)+rt*VQC4(ht-1))
tanh为激活函数,VQC3为第三变分量子线路531,rt为第一量子线路52,VQC4为第四变分量子线路532。
在本实施例中,第三变分量子线路531与第一变分量子线路521的结构相同,第四变分量子线路532与第二变分量子线路522的结构相同,在此不再赘述。
第三量子线路54用于确定先前隐藏状态下需要保留的化学元素,第三量子线路54的表达式如下:
zt=Softmax(VQC5(xt)+VQC6(ht-1))
VQC5为第五变分量子线路541,VQC6为第六变分量子线路542,第五变分量子线路541与第一变分量子线路521的结构相同,第六变分量子线路542与第二变分量子线路522的结构相同,在此不再赘述。
在本实施例中,先前已处理的所有化学元素对应的隐藏状态的表达式如下:
ht=(1-zt)*nt+zt*ht-1
zt为第三量子线路54,nt为第二量子线路53。
步骤S3,对先前已处理的所有化学元素对应的隐藏状态进行线性变换,输出生成的分子。
在本实施例中,利用交叉熵损失函数对生成的分子进行优化。
图4是本发明的实施例中基于量子门控循环神经网络的分子生成装置的另一结构示意图。
如图4所示,本发明的实施例提供的基于量子门控循环神经网络的分子生成装置100包括输入向量获取模块10、先前已处理的所有化学元素对应的隐藏状态获取模块20、分子生成模块30。
输入向量获取模块10采用步骤S1的方法,将包含分子表达信息的分子序列进行预处理得到分子序列对应的输入向量。
先前已处理的所有化学元素对应的隐藏状态获取模块20采用步骤S2的方法,将输入向量输入到量子门控循环单元中进行计算,依次遍历构成分子序列的所有化学元素,得到先前已处理的所有化学元素对应的的隐藏状态。
分子生成模块30采用步骤S3的方法,对先前已处理的所有化学元素对应的隐藏状态进行线性变换,输出生成的分子。
实施例的作用与效果
根据本实施例所涉及的基于量子门控循环神经网络的分子生成方法,因为该方法使用量子门控循环单元对包含分子表达信息的分子序列中的化学元素及其对应的隐藏状态进行重置和更新,生成新的隐藏状态,从而得到生成的分子,所以,该方法满足了门控循环神经网络算法建立序列长期短期依赖关系的需求,并且计算资源消耗少,因此在量子芯片和电子芯片的协同工作及生物医药领域中具有广泛的应用前景。
进一步地,因为本实施例将GRU和量子变分门进行结合,从而提出量子门控循环神经网络模型来生成分子,并使得生成的分子具备类似的活性、类药性、可合成性,同时这些生成的分子具有大量新的分子和新的骨架,可以作为未来分子从头设计的候选方法,并且在未来的NISQ(近期量子计算机)上,能够大大提高学习速度,有效避免梯度消失问题,在生物医药领域具有更广泛的应用前景。
进一步地,因为本实施例将分子序列用简化分子线性输入规范(SMILES)进行表示,即用字符串来表示分子的化学结构,所以在匹配结构和生物特征训练数据分布任务上具有最佳性能,并且GRU通常以前向方式(从左到右)训练读取和产生SMILES,然而SMILES能够从非氢原子开始并沿任何方向进行生成,所以,用SMILES字符串来表示分子序列的化学结构可以提供大量新的分子和新的骨架。
进一步地,对于存储有计算机程序的存储介质,该计算机程序可以被设置为运行时执行本实施例提供的基于量子门控循环神经网络的分子生成方法。
进一步地,对于包含存储器和处理器的电子产品,该存储器中存储有计算机程序,并且该处理器被设置为运行其存储的计算机程序以执行本实施例提供的基于量子门控循环神经网络的分子生成方法。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。
Claims (10)
1.一种基于量子门控循环神经网络的分子生成方法,其特征在于,包括:
将包含分子表达信息的分子序列进行预处理得到所述分子序列对应的输入向量;
将所述输入向量输入到量子门控循环单元中进行计算,依次遍历构成所述分子序列的所有化学元素,得到先前已处理的所有化学元素对应的的隐藏状态;
对所述先前已处理的所有化学元素对应的的隐藏状态进行线性变换,输出生成的分子。
2.根据权利要求1所述的方法,其特征在于:
其中,所述量子门控循环单元包括第一量子线路、第二量子线路以及第三量子线路,
所述第一量子线路用于筛选先前隐藏状态下需要保留的化学元素;
所述第二量子线路用于确定先前隐藏状态下需要保留的化学元素与当前需要保留的化学元素;
所述第三量子线路用于确定先前隐藏状态下需要保留的化学元素。
3.根据权利要求2所述的方法,其特征在于:
其中,所述第一量子线路包括第一变分量子线路、第二变分量子线路,
所述第一量子线路的表达式如下:
rt=Softmax(VQC1(xt)+VQC2(ht-1))
Softmax为激活函数,VQC1为第一变分量子线路,xt为t时刻的化学元素,ht-1为t-1时刻的化学元素生成的隐藏状态,VQC2为第二变分量子线路。
4.根据权利要求2所述的方法,其特征在于:
其中,所述第二量子线路包括第三变分量子线路、第四变分量子线路,
所述第二量子线路的表达式如下:
nt=tanh(VQC3(xt)+rt*VQC4(ht-1))
tanh为激活函数,VQC3为第三变分量子线路,rt为所述第一量子线路,VQC4为第四变分量子线路。
5.根据权利要求2所述的方法,其特征在于:
其中,所述第三量子线路的表达式如下:
zt=Softmax(VQC5(xt)+VQC6(ht-1))
VQC5为第五变分量子线路,VQC6为第六变分量子线路。
6.根据权利要求4或5所述的方法,其特征在于:
其中,所述先前已处理的所有化学元素对应的的隐藏状态的表达式如下:
ht=(1-zt)*nt+zt*ht-1
zt为所述第三量子线路,nt为所述第二量子线路。
7.根据权利要求3-5任意一项所述的方法,其特征在于:
其中,任一所述变分量子线路均包括预定数目的参数化旋转模块与纠缠模块,
所述参数化旋转模块用于提供所述变分量子线路可学习的参数;
所述纠缠模块用于提供纠缠的多比特量子态。
8.根据权利要求7所述的方法,其特征在于:
其中,任一所述变分量子线路用于提取、压缩构成所述分子序列的化学元素及其生成的隐藏状态,从而输出所述化学元素及所述隐藏状态各自对应的变分矢量,具体过程如下:
将任意所述输入向量作为任一所述变分量子线路的相等叠加初始状态,并对其进行编码后输出对应的量子叠加态;
将所述量子叠加态输入至所述参数化旋转模块与所述纠缠模块中进行幺正变换,输出变分矢量,经测量后输入至全连接神经网络,并通过Softmax激活函数输出生成的分子。
9.根据权利要求8所述的方法,其特征在于:
其中,利用交叉熵损失函数对所述生成的分子进行优化。
10.一种基于量子门控循环神经网络的预测装置,其特征在于,包括:
输入向量获取模块,用于将包含分子表达信息的分子序列进行预处理得到所述分子序列对应的输入向量;
先前已处理的所有化学元素对应的隐藏状态获取模块,用于将所述输入向量输入到量子门控循环单元中进行计算,依次遍历构成所述分子序列的所有化学元素,得到先前已处理的所有化学元素对应的的隐藏状态;
分子生成模块,用于对所述先前已处理的所有化学元素对应的隐藏状态进行线性变换,输出生成的分子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210120149.8A CN114446412A (zh) | 2022-02-07 | 2022-02-07 | 基于量子门控循环神经网络的分子生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210120149.8A CN114446412A (zh) | 2022-02-07 | 2022-02-07 | 基于量子门控循环神经网络的分子生成方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114446412A true CN114446412A (zh) | 2022-05-06 |
Family
ID=81371599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210120149.8A Pending CN114446412A (zh) | 2022-02-07 | 2022-02-07 | 基于量子门控循环神经网络的分子生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114446412A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115691654A (zh) * | 2023-01-03 | 2023-02-03 | 北京中科弧光量子软件技术有限公司 | 一种基于较少参数的量子门控循环神经网络的抗菌肽的预测方法 |
-
2022
- 2022-02-07 CN CN202210120149.8A patent/CN114446412A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115691654A (zh) * | 2023-01-03 | 2023-02-03 | 北京中科弧光量子软件技术有限公司 | 一种基于较少参数的量子门控循环神经网络的抗菌肽的预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Komura et al. | A recurrent variational autoencoder for human motion synthesis | |
Hao et al. | Physics-informed machine learning: A survey on problems, methods and applications | |
Wang et al. | Combining recurrent neural networks and adversarial training for human motion synthesis and control | |
CN109086869B (zh) | 一种基于注意力机制的人体动作预测方法 | |
Shiri et al. | A comprehensive overview and comparative analysis on deep learning models: CNN, RNN, LSTM, GRU | |
Mohammad et al. | Neural networks as a tool for pattern recognition of fasteners | |
CN114493014A (zh) | 多元时间序列预测方法、系统及计算机产品、存储介质 | |
Xu et al. | Diverse human motion prediction guided by multi-level spatial-temporal anchors | |
CN115828999A (zh) | 基于量子态振幅变换的量子卷积神经网络构建方法及系统 | |
CN114446412A (zh) | 基于量子门控循环神经网络的分子生成方法及装置 | |
Liu et al. | PISEP 2: pseudo-image sequence evolution-based 3D pose prediction | |
CN114444701A (zh) | 训练量子线路及数据嵌入的方法 | |
Tesfaldet et al. | Attention-based neural cellular automata | |
Le et al. | Symmetry-invariant quantum machine learning force fields | |
Huang et al. | eTag: Class-Incremental Learning via Embedding Distillation and Task-Oriented Generation | |
Qiu et al. | Semantic-visual guided transformer for few-shot class-incremental learning | |
Zheng et al. | Ripple attention for visual perception with sub-quadratic complexity | |
CN114496297A (zh) | 量子门控循环神经网络预测新冠疫苗稳定性的方法及装置 | |
CN116959605A (zh) | 分子性质预测方法、分子性质预测模型的训练方法及装置 | |
CN114492760A (zh) | 基于量子门控循环神经网络的预测方法及装置 | |
Kashyap et al. | Quantum convolutional neural network architecture for multi-class classification | |
Altares-López et al. | AutoQML: Automatic generation and training of robust quantum-inspired classifiers by using evolutionary algorithms on grayscale images | |
Ma et al. | Factorization of broad expansion for broad learning system | |
Yu et al. | Multi‐stream adaptive spatial‐temporal attention graph convolutional network for skeleton‐based action recognition | |
CN114511092A (zh) | 一种基于量子线路的图注意力机制实现方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |