論文の概要: Quantum Machine Learning for Chemistry and Physics
- arxiv url: http://arxiv.org/abs/2111.00851v2
- Date: Tue, 19 Jul 2022 12:47:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-09 17:09:55.703832
- Title: Quantum Machine Learning for Chemistry and Physics
- Title（参考訳）: 化学と物理のための量子機械学習
- Authors: Manas Sajjan, Junxu Li, Raja Selvarajan, Shree Hari Sureshbabu, Sumit
Suresh Kale, Rishabh Gupta, Vinit Singh, Sabre Kais
- Abstract要約: 機械学習(ML)とその従兄弟のディープラーニング(DL)は、物理科学、特に化学のあらゆる分野で前例のない発展をもたらした。
このレビューでは、これらのトピックのサブセットを詳述し、古典的および量子コンピューティングの強化された機械学習アルゴリズムによる貢献を、過去数年間にわたって詳述する。
- 参考スコア（独自算出の注目度）: 2.786820702277084
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning (ML) has emerged into formidable force for identifying
hidden but pertinent patterns within a given data set with the objective of
subsequent generation of automated predictive behavior. In the recent years, it
is safe to conclude that ML and its close cousin deep learning (DL) have
ushered unprecedented developments in all areas of physical sciences especially
chemistry. Not only the classical variants of ML , even those trainable on
near-term quantum hardwares have been developed with promising outcomes. Such
algorithms have revolutionzed material design and performance of
photo-voltaics, electronic structure calculations of ground and excited states
of correlated matter, computation of force-fields and potential energy surfaces
informing chemical reaction dynamics, reactivity inspired rational strategies
of drug designing and even classification of phases of matter with accurate
identification of emergent criticality. In this review we shall explicate a
subset of such topics and delineate the contributions made by both classical
and quantum computing enhanced machine learning algorithms over the past few
years. We shall not only present a brief overview of the well-known techniques
but also highlight their learning strategies using statistical physical
insight. The objective of the review is to not only to foster exposition to the
aforesaid techniques but also to empower and promote cross-pollination among
future-research in all areas of chemistry which can benefit from ML and in turn
can potentially accelerate the growth of such algorithms.
- Abstract（参考訳）: 機械学習(ML)は、その後の自動予測行動の生成を目的とし、所定のデータセット内の隠蔽だが関連するパターンを識別するための強大な力として出現した。
近年、MLとその親類である深層学習(DL)が、物理科学、特に化学のあらゆる分野で前例のない発展を遂げたと結論付けることは安全である。
MLの古典的な変種だけでなく、短期量子ハードウェアでトレーニングできるものでさえも、有望な結果で開発されている。
このようなアルゴリズムは、光起電力の材料設計と性能、相関物質の基底状態と励起状態の電子構造計算、化学反応のダイナミクスを伝達する力場とポテンシャルエネルギー表面の計算、反応性に触発された薬物設計の合理的戦略、創発臨界の正確な同定を伴う物質の相の分類に革命をもたらした。
このレビューでは、これらのトピックのサブセットを解説し、過去数年間の古典的および量子的コンピューティング強化機械学習アルゴリズムによる貢献を概説する。
我々は,その技術の概要を簡潔に紹介するだけでなく,統計的物理的洞察を用いた学習戦略も強調する。
このレビューの目的は、aforesaid技術への展示を促進するだけでなく、mlの恩恵を受ける可能性のある化学のあらゆる分野における将来の研究におけるクロスポーリン化の促進と促進であり、それによってそのようなアルゴリズムの成長を加速させることである。
関連論文リスト
- Generative artificial intelligence for computational chemistry: a roadmap to predicting emergent phenomena [0.49478969093606673]
このパースペクティブは、生成AIと計算化学の両方における概念の構造化された概要を提供する。
次に、オートエンコーダ、生成的敵ネットワーク、強化学習、フローモデル、言語モデルなど、広く使われているジェネレーティブAIメソッドをカバーする。
重要な焦点は、これらの手法が真に予測される前に直面する課題、特に創発的な化学現象を予測することである。
論文 参考訳（メタデータ） (2024-09-04T23:02:27Z) - Hybrid Quantum Graph Neural Network for Molecular Property Prediction [0.17747993681679466]
我々は,ペロブスカイト材料の形成エネルギーを予測するために,自由ハイブリッド量子勾配古典畳み込みグラフニューラルネットワークを開発した。
我々の研究は、量子特徴符号化とパラメトリック量子回路が複雑な機械学習アルゴリズムを劇的に改善する方法を探求する新たな道筋を示唆している。
論文 参考訳（メタデータ） (2024-05-08T16:43:25Z) - Physics-informed active learning for accelerating quantum chemical simulations [10.56535364437456]
本稿では,量子化学シミュレーションにおけるロバストなデータ効率ポテンシャル構築のためのエンドツーエンドALを提案する。
本プロトコルは,物理インフォームドによるトレーニングポイントのサンプリング,初期データの自動選択,不確実性定量化,収束モニタリングに基づく。
これらの調査は、高性能コンピューティングクラスタ上での純粋な量子化学計算ではなく、数週間を要した。
論文 参考訳（メタデータ） (2024-04-18T00:17:01Z) - Symmetry-invariant quantum machine learning force fields [0.0]
我々は、データに着想を得た、広範囲な物理関連対称性の集合を明示的に組み込んだ量子ニューラルネットワークを設計する。
この結果から,分子力場生成は量子機械学習の枠組みを生かして著しく利益を得る可能性が示唆された。
論文 参考訳（メタデータ） (2023-11-19T16:15:53Z) - 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) - 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) - Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。
機械学習の観点からQGLMの現状を概観する。
従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文 参考訳（メタデータ） (2022-06-07T07:32:57Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳（メタデータ） (2021-06-24T15:58:57Z) - Simulating Quantum Materials with Digital Quantum Computers [55.41644538483948]
デジタル量子コンピュータ(DQC)は、古典的コンピュータでは引き起こせない量子シミュレーションを効率的に行うことができる。
このレビューの目的は、物理量子優位性を達成するために行われた進歩の要約を提供することである。
論文 参考訳（メタデータ） (2021-01-21T20:10:38Z) - Machine Learning Force Fields [54.48599172620472]
機械学習(ML)は、計算化学の多くの進歩を可能にした。
最も有望な応用の1つは、MLベースの力場(FF)の構築である。
本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
論文 参考訳（メタデータ） (2020-10-14T13:14:14Z) - Machine Learning for Condensed Matter Physics [0.0]
凝縮物質物理学(CMP)は、量子と原子レベルの物質の微視的相互作用を理解することを目的としている。
CMPは、化学、材料科学、統計物理学、高性能コンピューティングなど、多くの重要な科学分野と重なり合っている。
現代の機械学習(ML)技術は、両方の分野の交差点で魅力的な新しい研究領域を生み出した。
論文 参考訳（メタデータ） (2020-05-28T18:44:55Z)
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。