양자 해밀토니안 학습으로 풀어보는 유전자 조절망 추론
시간에 따라 수집된 고정 로컬 IC‑POVM 측정 데이터를 이용해 해밀토니안을 효율적으로 학습하고, 이를 유전자 발현의 양자‑유사 모델(QHGM)로 확장한다. 다항식 표본 복잡도와 고확률 오류 한계를 제시하며, 경험적 위험 최소화 기반 변분 학습 알고리즘(VQ‑Net)을 개발한다. 합성 데이터와 실제 교모세포종 scRNA‑seq에 적용해 기존 방법보다 정확하게 네트워크 구조를 복원하고, 새로운 생물학적 조절 연결을 제시한다.
저자: Mohammad Aamir Sohail, Ranga R. Sudharshan, S. S
본 논문은 양자 해밀토니안 학습(QHL)과 유전자 조절망(GRN) 추론을 융합한 혁신적인 프레임워크를 제안한다. 첫 번째 파트에서는 고정된 로컬 정보완전 POVM(IC‑POVM)를 이용해 시간에 따라 수집된 측정 데이터로부터 파라미터화된 해밀토니안을 효율적으로 학습하는 이론적 기반을 마련한다. 시스템은 n개의 qudit(차원 d)으로 구성되며, 로컬 해밀토니안 항 H_j와 가중치 w_j의 선형 결합 H(w)=∑_{j=1}^c w_j H_j 로 표현된다. 초기 상태 ρ₀에서 시간 t만큼 진화한 뒤, 각 qudit에 동일한 IC‑POVM를 적용해 측정 결과 m∈M^n을 얻는다. 이때 측정 확률 ϕ(m|t,w)=Tr
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기