論文の概要: Predicting excited states from ground state wavefunction by supervised
quantum machine learning
- arxiv url: http://arxiv.org/abs/2002.12925v4
- Date: Wed, 4 Nov 2020 03:10:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-01 07:43:03.107125
- Title: Predicting excited states from ground state wavefunction by supervised
quantum machine learning
- Title（参考訳）: 量子機械学習による基底状態波動関数からの励起状態の予測
- Authors: Hiroki Kawai and Yuya O. Nakagawa
- Abstract要約: 教師付き量子機械学習のスキームは、基底状態の波動関数のみから分子の励起状態特性を予測する。
我々の貢献により、量子化学と量子材料の研究における量子コンピュータの応用が強化される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Excited states of molecules lie in the heart of photochemistry and chemical
reactions. The recent development in quantum computational chemistry leads to
inventions of a variety of algorithms that calculate the excited states of
molecules on near-term quantum computers, but they require more computational
burdens than the algorithms for calculating the ground states. In this study,
we propose a scheme of supervised quantum machine learning which predicts the
excited-state properties of molecules only from their ground state wavefunction
resulting in reducing the computational cost for calculating the excited
states. Our model is comprised of a quantum reservoir and a classical machine
learning unit which processes the measurement results of single-qubit Pauli
operators with the output state from the reservoir. The quantum reservoir
effectively transforms the single-qubit operators into complicated multi-qubit
ones which contain essential information of the system, so that the classical
machine learning unit may decode them appropriately. The number of runs for
quantum computers is saved by training only the classical machine learning
unit, and the whole model requires modest resources of quantum hardware that
may be implemented in current experiments. We illustrate the predictive ability
of our model by numerical simulations for small molecules with and without
noise inevitable in near-term quantum computers. The results show that our
scheme well reproduces the first and second excitation energies as well as the
transition dipole moment between the ground states and excited states only from
the ground state as an input. We expect our contribution will enhance the
applications of quantum computers in the study of quantum chemistry and quantum
materials.
- Abstract（参考訳）: 分子の励起状態は光化学と化学反応の中心にある。
近年の量子計算化学の発展は、短期量子コンピュータ上の分子の励起状態を計算する様々なアルゴリズムの発明に繋がるが、基底状態を計算するためのアルゴリズムよりも多くの計算負荷を必要とする。
本研究では,分子の励起状態特性を基底状態の波動関数からのみ予測し,励起状態を計算するための計算コストを削減できる教師付き量子機械学習手法を提案する。
本モデルは, 単一量子ビットパウリ演算子の測定結果を, 貯留層からの出力状態で処理する古典的機械学習ユニットと, 量子貯水池で構成されている。
量子貯水池は、単一量子ビット演算子をシステムの必須情報を含む複雑なマルチ量子ビットに効果的に変換するので、古典的機械学習ユニットはそれらを適切にデコードすることができる。
量子コンピュータの実行数は、古典的な機械学習ユニットのみをトレーニングすることで節約され、モデル全体は、現在の実験で実装される量子ハードウェアの控えめなリソースを必要とする。
近距離量子コンピュータにおいて、ノイズが避けられない小分子の数値シミュレーションにより、モデル予測能力を示す。
その結果,入力として基底状態からのみ励起状態と励起状態との間の遷移双極子モーメントとともに,第1および第2励起エネルギーを十分に再現できることがわかった。
我々の貢献は量子化学と量子材料の研究における量子コンピュータの応用を強化することを期待している。
関連論文リスト
- Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。
我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。
これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
論文 参考訳（メタデータ） (2023-06-29T18:00:01Z) - Calculating the many-body density of states on a digital quantum
computer [58.720142291102135]
ディジタル量子コンピュータ上で状態の密度を推定する量子アルゴリズムを実装した。
我々は,量子H1-1トラップイオンチップ上での非可積分ハミルトニアン状態の密度を18ビットの制御レジスタに対して推定する。
論文 参考訳（メタデータ） (2023-03-23T17:46:28Z) - Quantum Machine Learning: from physics to software engineering [58.720142291102135]
古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。
量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
論文 参考訳（メタデータ） (2023-01-04T23:37:45Z) - Extending the reach of quantum computing for materials science with
machine learning potentials [0.3352108528371308]
本稿では,機械学習のポテンシャルを用いて,量子計算手法の範囲を大規模シミュレーションに拡張する戦略を提案する。
各種ノイズ源を選択する機械学習能力の訓練性について検討する。
我々は、水素分子のための実際のIBM Quantumプロセッサ上で計算されたデータから、最初の機械学習ポテンシャルを構築する。
論文 参考訳（メタデータ） (2022-03-14T15:59:30Z) - Recompilation-enhanced simulation of electron-phonon dynamics on IBM
Quantum computers [62.997667081978825]
小型電子フォノン系のゲートベース量子シミュレーションにおける絶対的資源コストについて考察する。
我々は、弱い電子-フォノン結合と強い電子-フォノン結合の両方のためのIBM量子ハードウェアの実験を行う。
デバイスノイズは大きいが、近似回路再コンパイルを用いることで、正確な対角化に匹敵する電流量子コンピュータ上で電子フォノンダイナミクスを得る。
論文 参考訳（メタデータ） (2022-02-16T19:00:00Z) - Information Scrambling in Computationally Complex Quantum Circuits [56.22772134614514]
53量子ビット量子プロセッサにおける量子スクランブルのダイナミクスを実験的に検討する。
演算子の拡散は効率的な古典的モデルによって捉えられるが、演算子の絡み合いは指数関数的にスケールされた計算資源を必要とする。
論文 参考訳（メタデータ） (2021-01-21T22:18:49Z) - Quantum walk processes in quantum devices [55.41644538483948]
グラフ上の量子ウォークを量子回路として表現する方法を研究する。
提案手法は,量子ウォークアルゴリズムを量子コンピュータ上で効率的に実装する方法である。
論文 参考訳（メタデータ） (2020-12-28T18:04:16Z) - Quantum reservoir computing: a reservoir approach toward quantum machine
learning on near-term quantum devices [0.8206877486958002]
量子貯水池コンピューティング(Quantum reservoir computing)は、時間的機械学習のように、量子システム上で複雑でリッチなダイナミクスを使用するアプローチである。
これらの量子機械学習アプローチはすべて、実験的に実現可能であり、最先端の量子デバイスに有効である。
論文 参考訳（メタデータ） (2020-11-10T04:45:52Z) - How will quantum computers provide an industrially relevant
computational advantage in quantum chemistry? [0.0]
量子コンピュータに関する議論で見過ごされがちな量子化学研究の微妙な複雑さについて考察する。
数種類の分子の化学的精度で量子コンピュータ上で計算を行うのに必要な量子コンピュータ資源を推定する。
論文 参考訳（メタデータ） (2020-09-25T23:21:16Z) - Quantum simulations of materials on near-term quantum computers [1.856334276134661]
活性領域の強相関電子状態の計算のための量子埋め込み理論を提案する。
半導体中のいくつかの欠陥量子ビットを解析することにより, アプローチの精度と有効性を示す。
論文 参考訳（メタデータ） (2020-02-25T20:57:57Z) - Quantum algorithms for quantum chemistry and quantum materials science [2.867517731896504]
本稿では, 電子構造, 量子統計力学, 量子力学の分野において, 量子コンピュータ上での解に対する潜在的な関心について, 化学・材料科学の中心的な問題を簡潔に述べる。
我々は、基底状態、力学、熱状態シミュレーションのための量子アルゴリズムの現在の進歩の詳細なスナップショットを取得し、将来の発展のためにそれらの強みと弱点を分析する。
論文 参考訳（メタデータ） (2020-01-10T22:49:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。