論文の概要: Extending the reach of quantum computing for materials science with machine learning potentials

• arxiv url: http://arxiv.org/abs/2203.07219v1
• Date: Mon, 14 Mar 2022 15:59:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-22 03:28:18.368621
• Title: Extending the reach of quantum computing for materials science with machine learning potentials
• Title（参考訳）: 機械学習ポテンシャルを用いた材料科学のための量子コンピューティングの展開
• Authors: Julian Schuhmacher, Guglielmo Mazzola, Francesco Tacchino, Olga Dmitriyeva, Tai Bui, Shanshan Huang, Ivano Tavernelli
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.3352108528371308
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Solving electronic structure problems represents a promising field of application for quantum computers. Currently, much effort has been spent in devising and optimizing quantum algorithms for quantum chemistry problems featuring up to hundreds of electrons. While quantum algorithms can in principle outperform their classical equivalents, the polynomially scaling runtime, with the number of constituents, can still prevent quantum simulations of large scale systems. We propose a strategy to extend the scope of quantum computational methods to large scale simulations using a machine learning potential, trained on quantum simulation data. The challenge of applying machine learning potentials in today's quantum setting arises from the several sources of noise affecting the quantum computations of electronic energies and forces. We investigate the trainability of a machine learning potential selecting various sources of noise: statistical, optimization and hardware noise.Finally, we construct the first machine learning potential from data computed on actual IBM Quantum processors for a hydrogen molecule. This already would allow us to perform arbitrarily long and stable molecular dynamics simulations, outperforming all current quantum approaches to molecular dynamics and structure optimization.
• Abstract（参考訳）: 電子構造問題の解法は量子コンピュータに期待できる応用分野である。 現在、数百個の電子を含む量子化学問題に対する量子アルゴリズムの考案と最適化に多くの労力が費やされている。 量子アルゴリズムは、原理上、古典的等価性を上回ることができるが、多項式スケーリングランタイムは、構成数で、大規模システムの量子シミュレーションを防ぐことができる。 本研究では,量子シミュレーションデータに基づいて学習した機械学習ポテンシャルを用いて,量子計算手法を大規模シミュレーションに拡張する手法を提案する。 今日の量子環境に機械学習のポテンシャルを適用するという課題は、電子エネルギーと力の量子計算に影響を与えるいくつかのノイズ源から生じる。 我々は, 統計的, 最適化, ハードウェアノイズなど, 様々なノイズ源を選択する機械学習ポテンシャルのトレーニング可能性について検討し, 水素分子の実際のIBM量子プロセッサ上で計算されたデータから, 第一の機械学習ポテンシャルを構築する。 これにより、任意に長く安定した分子動力学シミュレーションを実行でき、分子動力学や構造最適化に対する現在の量子アプローチよりも優れる。

関連論文リスト

• Application of Large Language Models to Quantum State Simulation [0.11666234644810894]
  現在、様々な量子シミュレーターが研究者に強力なツールを提供しているが、これらのシミュレーターで量子進化をシミュレートすると、しばしば高コストが発生する。 本稿では、1量子ビットと2量子ビットの量子シミュレータモデルを構築し、複数の量子ビットに拡張し、最終的には3量子ビットの例を実装する過程を詳述する。 本研究は,LLMが量子ビット間の進化パターンを理論的出力状態と比較して最小限の誤差で効果的に学習し,予測できることを実証する。
  論文  参考訳（メタデータ） (2024-10-09T07:23:13Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• The curse of random quantum data [62.24825255497622]
  量子データのランドスケープにおける量子機械学習の性能を定量化する。 量子機械学習におけるトレーニング効率と一般化能力は、量子ビットの増加に伴い指数関数的に抑制される。 この結果は量子カーネル法と量子ニューラルネットワークの広帯域限界の両方に適用できる。
  論文  参考訳（メタデータ） (2024-08-19T12:18:07Z)
• Quantum Digital Simulation of Cavity Quantum Electrodynamics: Insights from Superconducting and Trapped Ion Quantum Testbeds [0.016994625126740815]
  我々は、オープンなCQED物理を効率的に研究する量子コンピュータの可能性について、早期に検討する。 我々のシミュレーションでは、N$原子を含む一斉に励起されたTavis-Cummingsモデルの力学をマッピングする最近の量子アルゴリズムを用いている。 各ハードウェアプラットフォームにおけるゲートエラー,ノイズ,デコヒーレンスの影響を最小限に抑える。
  論文  参考訳（メタデータ） (2024-04-05T02:25:49Z)
• 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)
• A Scalable Approach to Quantum Simulation via Projection-based Embedding [0.0]
  分子の電子構造のサブドメインを量子デバイス上で正確に計算できる新しい、化学的に直感的なアプローチについて述べる。 本手法は,量子コンピュータ上では十分にシミュレートできないが,より低い近似レベルで古典的に解ける分子に対して,改良された結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-03-02T14:27:44Z)
• 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)
• 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)
• Quantum computation of silicon electronic band structure [0.0]
  量子プロセッサ上で分子をシミュレートするために設計された量子化学における前例のない手法は、周期的な固体の性質を計算するために拡張可能であることを示す。 特に,変分量子固有解法アルゴリズムを実装した最小深度回路を提案し,シリコンのバンド構造を量子マシン上で初めて計算することに成功した。
  論文  参考訳（メタデータ） (2020-06-06T07:45:06Z)
• Simulating quantum chemistry in the seniority-zero space on qubit-based quantum computers [0.0]
  計算量子化学の近似をゲートベースの量子コンピュータ上で分子化学をシミュレートする手法と組み合わせる。 基本集合を増大させるために解放された量子資源を用いることで、より正確な結果が得られ、必要な数の量子コンピューティングの実行が削減されることが示される。
  論文  参考訳（メタデータ） (2020-01-31T19:44:37Z)

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。