論文の概要: DQC: a Python program package for Differentiable Quantum Chemistry

• arxiv url: http://arxiv.org/abs/2110.11678v1
• Date: Fri, 22 Oct 2021 09:53:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-25 22:40:38.474479
• Title: DQC: a Python program package for Differentiable Quantum Chemistry
• Title（参考訳）: DQC: 微分量子化学のためのPythonプログラムパッケージ
• Authors: Muhammad F. Kasim, Susi Lehtola, Sam M. Vinko
• Abstract要約: 本稿では,オープンソースの微分可能量子化学シミュレーションコードDQCについて述べる。 自動微分は、過去10年間に様々な高度な機械学習技術を急速に成長させてきた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Automatic differentiation represents a paradigm shift in scientific programming, where evaluating both functions and their derivatives is required for most applications. By removing the need to explicitly derive expressions for gradients, development times can be be shortened, and calculations simplified. For these reasons, automatic differentiation has fueled the rapid growth of a variety of sophisticated machine learning techniques over the past decade, but is now also increasingly showing its value to support {\it ab initio} simulations of quantum systems, and enhance computational quantum chemistry. Here we present an open-source differentiable quantum chemistry simulation code, DQC, and explore applications facilitated by automatic differentiation: (1) calculating molecular perturbation properties; (2) reoptimizing a basis set for hydrocarbons; (3) checking the stability of self-consistent field wave functions; and (4) predicting molecular properties via alchemical perturbations.
• Abstract（参考訳）: 自動微分(automatic differentiation)は、多くの応用において関数とその微分を評価する必要がある科学プログラミングにおけるパラダイムシフトである。 勾配の式を明示的に導出する必要をなくすことで、開発時間を短縮し、計算を単純化することができる。 これらの理由から、自動微分は、過去10年間に様々な洗練された機械学習技術の急速な成長を促してきたが、量子システムのシミュレーションをサポートし、計算量子化学を強化するために、その価値をますます示そうとしている。 本稿では,(1)分子摂動特性の計算,(2)炭化水素の基底集合の再最適化,(3)自己整合場波動関数の安定性の検証,(4)有機化学摂動による分子特性の予測,といった,自動微分によるオープンソースの微分可能な量子化学シミュレーションコードdqcについて述べる。

関連論文リスト

• Modeling Stochastic Chemical Kinetics on Quantum Computers [0.0]
  三分子反応ネットワークのシュルオグルモデルを用いて、量子アルゴリズムを用いて化学動力学をモデル化する方法を示す。 ノイズやノイズのない量子シミュレーションによる量子計算結果は、古典的に計算された固有値やゼロモードと数パーセント以内で一致します。
  論文  参考訳（メタデータ） (2024-04-12T18:53:38Z)
• TenCirChem: An Efficient Quantum Computational Chemistry Package for the NISQ Era [11.231358835691962]
  TenCirChemは、量子計算化学のための変分シミュレーション量子アルゴリズムのためのオープンソースライブラリである。 TenCirChemは、一元結合クラスタ回路のシミュレーションにおいて高い性能を示す。 TenCirChemは、実際の量子ハードウェア実験を実行することができる。
  論文  参考訳（メタデータ） (2023-03-20T01:47:45Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [59.07246314484875]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Computing molecular excited states on a D-Wave quantum annealer [52.5289706853773]
  分子系の励起電子状態の計算にD波量子アニールを用いることを実証する。 これらのシミュレーションは、太陽光発電、半導体技術、ナノサイエンスなど、いくつかの分野で重要な役割を果たしている。
  論文  参考訳（メタデータ） (2021-07-01T01:02:17Z)
• Benchmarking Quantum Chemistry Computations with Variational, Imaginary Time Evolution, and Krylov Space Solver Algorithms [0.2107969466194361]
  IBM量子コンピュータ上でのアルカリ水素化物分子のハイブリッド量子古典電子構造計算における化学精度に到達する技術の現状 その結果、電子構造計算は、数年前に量子コンピュータ上で開始された単純な分子の化学的正確性によって急速に進歩していることがわかった。
  論文  参考訳（メタデータ） (2021-02-10T15:54:55Z)
• Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
  VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。 どちらの手法もエネルギーと基底状態の優れた推定値を提供する。 勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-11-02T19:52:04Z)
• Electronic structure with direct diagonalization on a D-Wave quantum annealer [62.997667081978825]
  本研究は、D-Wave 2000Q量子アニール上の分子電子ハミルトニアン固有値-固有ベクトル問題を解くために、一般量子アニール固有解法(QAE)アルゴリズムを実装した。 そこで本研究では,D-Waveハードウェアを用いた各種分子系における基底および電子励起状態の取得について述べる。
  論文  参考訳（メタデータ） (2020-09-02T22:46:47Z)
• Gate-free state preparation for fast variational quantum eigensolver simulations: ctrl-VQE [0.0]
  VQEは現在、短期量子コンピュータ上で電子構造問題を解決するためのフラッグシップアルゴリズムである。 本稿では、状態準備に使用される量子回路を完全に取り除き、量子制御ルーチンに置き換える代替アルゴリズムを提案する。 VQEと同様に、最適化された目的関数は、量子ビットマップされた分子ハミルトニアンの期待値である。
  論文  参考訳（メタデータ） (2020-08-10T17:53:09Z)

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。