Fugu-MT 論文翻訳(概要): Application of the Quantum Potential Neural Network to multi-electronic atoms

論文の概要: Application of the Quantum Potential Neural Network to multi-electronic atoms

arxiv url: http://arxiv.org/abs/2106.08138v1
Date: Tue, 8 Jun 2021 16:34:59 GMT
ステータス: 処理完了
システム内更新日: 2021-06-20 17:56:58.167029
Title: Application of the Quantum Potential Neural Network to multi-electronic atoms
Title（参考訳）: 量子ポテンシャルニューラルネットワークの多電子原子への応用
Authors: Hector H. Corzo and Arijit Sehanobish and Onur Kara
Abstract要約: 多くの電子原子系への量子ポテンシャルニューラルネットワーク(QPNN)フレームワークの適用について述べる。その結果、この新しいニューラルネットワークは、多くの電子の効率的なポテンシャル関数を、完全に教師なしの方法で学習できることが示唆された。
参考スコア（独自算出の注目度）: 2.9005223064604078
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this report, the application of the Quantum Potential Neural Network (QPNN) framework to many electron atomic systems is presented. For this study, full configuration interaction (FCI) one--electron density functions within predefined limits of accuracy were used to train the QPNN. The obtained results suggest that this new neural network is capable of learning the effective potential functions of many electron atoms in a completely unsupervised manner, and using only limited information from the probability density. Using the effective potential functions learned for each of the studied systems the QPNN was able to estimate the total energies of each of the systems (with a maximum of 10 trials) with a remarkable accuracy when compared to the FCI energies.
Abstract（参考訳）: 本稿では、多くの電子原子系への量子ポテンシャルニューラルネットワーク(QPNN)フレームワークの適用について述べる。本研究では,QPNNをトレーニングするために,予め定義された精度の限界内での1電子密度関数のフル構成相互作用(FCI)を用いた。その結果, このニューラルネットワークは, 完全に教師なしの方法で多くの電子原子の有効ポテンシャル関数を学習でき, 確率密度からの限られた情報しか利用できないことが示唆された。研究対象のシステム毎に学習した有効なポテンシャル関数を用いて、QPNNは、各システムの総エネルギー(最大10トライアル)を、FCIエネルギーと比較して顕著な精度で推定することができた。

関連論文リスト

Quantum Sensing with Nanoelectronics: Fisher Information for an Adiabatic Perturbation [0.0]
量子システムでは、従来のシステムよりも精度が向上する。量子フィッシャー情報(QFI)は、理想的な測定値に対するパラメータ推定の精度を特徴付ける。量子ドットナノエレクトロニクスデバイスでは、電子相互作用がQFIの指数的スケーリングとシステムサイズにつながることが示される。
論文参考訳（メタデータ） (2024-06-26T18:03:17Z)
Quantum-inspired activation functions and quantum Chebyshev-polynomial network [6.09437748873686]
畳み込みニューラルネットワーク(CNN)に組み込まれた量子回路の機能的表現性について検討する。我々は,量子活性化関数の特性に基づいて,ハイブリッド量子Chebyshev-polynomial Network (QCPN) を開発した。この結果から,量子インスパイアされたアクティベーション関数は,高次学習能力を維持しながらモデル深度を低減できることが示唆された。
論文参考訳（メタデータ） (2024-04-08T23:08:38Z)
Studying the Impact of Quantum-Specific Hyperparameters on Hybrid Quantum-Classical Neural Networks [4.951980887762045]
ハイブリッド量子古典ニューラルネットワーク(HQNN)は、古典的な機械学習の強みと量子コンピューティング能力を組み合わせた、有望なソリューションである。本稿では,PennyLaneフレームワーク上に実装された画像分類タスクのHQNNモデルに対して,これらのバリエーションが与える影響について検討する。我々は,HQNNモデルの直感的および直感的学習パターンを制御された量子摂動の粒度レベル内で明らかにし,精度とトレーニング時間との相関関係の健全な基盤を構築することを目的としている。
論文参考訳（メタデータ） (2024-02-16T11:44:25Z)
Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文参考訳（メタデータ） (2022-12-21T19:00:04Z)
Quantum activation functions for quantum neural networks [0.0]
情報を符号化する状態を測定することなく、必要な精度で解析関数を近似する方法を示す。この結果は,ゲートモデル量子コンピュータのアーキテクチャにおける人工ニューラルネットワークの科学を再放送するものである。
論文参考訳（メタデータ） (2022-01-10T23:55:49Z)
Demonstration of electron-nuclear decoupling at a spin clock transition [54.088309058031705]
クロック遷移は磁気ノイズから分子スピン量子ビットを保護する。核自由度への線形結合は、電子コヒーレンスの変調と崩壊を引き起こす。核浴への量子情報漏洩がないことは、他のデコヒーレンス源を特徴づける機会を与える。
論文参考訳（メタデータ） (2021-06-09T16:23:47Z)
Nearest Centroid Classification on a Trapped Ion Quantum Computer [57.5195654107363]
我々は,古典的データを量子状態に効率よくロードし,距離推定を行う手法を用いて,量子近接Centroid分類器を設計する。 MNIST手書き桁データセットの古典的最寄りのセントロイド分類器の精度と8次元合成データの最大100%の精度とを一致させ,11量子ビットトラップイオン量子マシン上で実験的に実証した。
論文参考訳（メタデータ） (2020-12-08T01:10:30Z)
Quantum deep field: data-driven wave function, electron density generation, and atomization energy prediction and extrapolation with machine learning [7.106986689736826]
ディープニューラルネットワーク(DNN)は、コーン-シャム密度汎関数理論(KS-DFT)に基づいて計算された分子特性の予測に用いられている。このレターでは、大規模データセット上で原子化エネルギーを学習することにより、教師なしだがエンドツーエンドの物理インフォームドモデリングで電子密度を提供する量子深度場(QDF)を提示する。
論文参考訳（メタデータ） (2020-11-16T13:15:16Z)
Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with an artificial neural-network correlator ansatz [62.997667081978825]
光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
論文参考訳（メタデータ） (2020-07-28T14:52:28Z)
On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文参考訳（メタデータ） (2020-07-24T06:34:34Z)
Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。