Navigating chemical space for de novo drug design is a computationally expensive task. Data-driven methods, like those based on machine learning, have shown great potential for accelerating the drug discovery process. By utilizing a high degree of flexibility and leveraging large amounts of chemical data, effective machine-learning approaches have been achieved. Quantum computing, especially in the context of machine learning, represents a novel avenue for data-driven methods. Using principles of quantum mechanics, such as superposition and entanglement, so-called quantum neural networks (QNNs) can demonstratively outperform their classical counterparts in terms of expressive power. While quantum machine learning has limited practical applications due to the state of modern quantum devices, exploring such quantum algorithms is still important in preparation for more capable quantum hardware. This thesis compares the performance of a quantum generative adversarial network (qGAN) with a classical GAN baseline. Experimental results revealed that while the qGAN architecture demonstrated potential, it did not surpass the classical baseline across most metrics. However, the quantum models utilized significantly fewer parameters, indicating potential for parameter efficiency. The findings highlight the importance of overcoming optimization challenges to fully realize the advantages of qGANs in molecule generation tasks.

Läkemedelsutveckling utgör en oerhört viktig komponent i modern medicinsk teknik, som i sin tur spelar en kritisk roll för ett fungerande samhälle. En betydande del av människans ekologi med mikroorganismer avgörs av läkemedel. När nya sjukdomar utvecklas är det viktigt att kunna framställa läkemedel på ett tids- och kostnadseffektivt sätt. Stora molekyldatabaser kan vara mycket gynnsamma i detta sammanhang, eftersom varje molekyl då kan screenas för att avgöra huruvida den är en passande kandidat. Tekniska beräkningsbaserade verktyg och metoder kan här vara till stor hjälp för medicinska experter. Exempelvis har dessa verktyg förmågan att generera stora mängder molekyler väldigt snabbt, vilket minskar behovet av manuellt arbete. Dock är antalet rimliga läkemedelskandidater extremt stort, vilket omöjliggör en totalsökning av samtliga molekylära kombinationer. Maskininlärningsbaserade metoder har visat sig vara särskilt effektiva i detta avseende. Genom att basera sig på stora mängder data kan dessa metoder lära sig komplexa samband och funktioner som är svåra att modellera på ett regelbaserat sätt. Kvantmaskininlärning representerar en ny forskningsinriktning inom datadrivna metoder. Genom att utnyttja kvantmekanikens principer, såsom superposition och sammanflätning, kan så kallade kvantneurala nätverk (QNNs) demonstrativt överträffa sina klassiska motsvarigheter när det gäller uttrycksfullhet. Trots att kvantmaskininlärning har begränsade praktiska tillämpningar på grund av moderna kvantdatorers tillstånd är det ändå viktigt att utforska sådana kvantalgoritmer i förberedelse för mer kapabla kvanthårdvaror. Detta examensarbete jämför prestandan hos ett kvantgenerativt motståndarnätverk (qGAN) med en klassisk GAN som referens. Experimentella resultat visade att även om qGAN-arkitekturen upp- visade potential, överträffade den inte den klassiska referensen inom de flesta mätvärden. Däremot använde de kvantumbaserade modellerna signifikant färre parametrar, vilket indikerar en möjlig effektivitet i parameternyttjandet. Resultaten understryker vikten av att övervinna optimeringsutmaningar för att fullt ut kunna dra nytta av qGANs fördelar i uppgifter som rör molekylgenerering.