論文の概要: Quantum neural networks force fields generation

• arxiv url: http://arxiv.org/abs/2203.04666v1
• Date: Wed, 9 Mar 2022 12:10:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-10 16:57:38.031582
• Title: Quantum neural networks force fields generation
• Title（参考訳）: 量子ニューラルネットワークの力場生成
• Authors: Oriel Kiss, Francesco Tacchino, Sofia Vallecorsa and Ivano Tavernelli
• Abstract要約: 量子ニューラルネットワークアーキテクチャを設計し、複雑性が増大するさまざまな分子に適用することに成功しています。 量子モデルは古典的なモデルに対してより大きな有効次元を示し、競争性能に達することができる。
• 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: Accurate molecular force fields are of paramount importance for the efficient implementation of molecular dynamics techniques at large scales. In the last decade, machine learning methods have demonstrated impressive performances in predicting accurate values for energy and forces when trained on finite size ensembles generated with ab initio techniques. At the same time, quantum computers have recently started to offer new viable computational paradigms to tackle such problems. On the one hand, quantum algorithms may notably be used to extend the reach of electronic structure calculations. On the other hand, quantum machine learning is also emerging as an alternative and promising path to quantum advantage. Here we follow this second route and establish a direct connection between classical and quantum solutions for learning neural network potentials. To this end, we design a quantum neural network architecture and apply it successfully to different molecules of growing complexity. The quantum models exhibit larger effective dimension with respect to classical counterparts and can reach competitive performances, thus pointing towards potential quantum advantages in natural science applications via quantum machine learning.
• Abstract（参考訳）: 分子動力学法を大規模に効率的に実装するためには, 正確な分子力場が重要である。 過去10年間で、機械学習の手法は、アブイニシアト法で生成された有限サイズのアンサンブルに基づいて訓練された場合、エネルギーと力の正確な値を予測するという素晴らしい性能を実証してきた。 同時に、量子コンピュータはそのような問題に対処するための新しい実行可能な計算パラダイムを提供し始めている。 一方、量子アルゴリズムは電子構造計算の範囲を広げるために特に用いられる可能性がある。 一方で、量子機械学習は、量子優位への代替的かつ有望な道として浮上している。 ここでは、この第2の経路に従い、ニューラルネットワークポテンシャルを学習するための古典解と量子解の直接接続を確立する。 この目的のために、量子ニューラルネットワークアーキテクチャを設計し、複雑さが増大する異なる分子にうまく適用します。 量子モデルは、古典的モデルに比べてより大きな有効次元を示し、競争性能に到達できるため、量子機械学習による自然科学応用において潜在的な量子優位性を指摘できる。

関連論文リスト

• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• A Quick Introduction to Quantum Machine Learning for Non-Practitioners [0.0]
  この論文では、重ね合わせ、位相空間、絡み合いなど、基本的な量子力学の原理を取り上げている。 また、人工知能、勾配降下、バックプロパゲーションといった古典的なディープラーニングの概念もレビューしている。 量子ニューラルネットワークの潜在的な利点を例に挙げる。
  論文  参考訳（メタデータ） (2024-02-22T16:48:17Z)
• 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 Neural Network Classifiers: A Tutorial [1.4567067583556714]
  我々は、パラメータ化量子回路の形で量子ニューラルネットワークに焦点を当てる。 我々は主に、教師付き学習タスクのための量子ニューラルネットワークの異なる構造と符号化戦略について議論する。 Julia言語で記述された量子シミュレーションパッケージであるYoo.jlを使って、パフォーマンスをベンチマークする。
  論文  参考訳（メタデータ） (2022-06-06T18:00:01Z)
• Mutual Reinforcement between Neural Networks and Quantum Physics [0.0]
  量子機械学習は、量子力学と機械学習の共生から生まれる。 古典的な機械学習を量子物理学問題に適用するためのツールとして使う。 量子パーセプトロンの力学に基づく量子ニューラルネットワークの設計と、短絡の断熱への応用は、短時間の動作時間と堅牢な性能をもたらす。
  論文  参考訳（メタデータ） (2021-05-27T16:20:50Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)
• Reinforcement Learning with Quantum Variational Circuits [0.0]
  この研究は、強化学習問題を促進する量子コンピューティングの可能性を探るものである。 具体的には、量子機械学習の一形態である量子変分回路の使用について検討する。 その結果、ハイブリッドおよび純粋量子変動回路は、より小さいパラメータ空間で強化学習タスクを解くことができることを示した。
  論文  参考訳（メタデータ） (2020-08-15T00:13:01Z)

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。