論文の概要: Exploring accurate potential energy surfaces via integrating variational quantum eigensovler with machine learning

• arxiv url: http://arxiv.org/abs/2206.03637v1
• Date: Wed, 8 Jun 2022 01:43:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-10 04:22:13.411736
• Title: Exploring accurate potential energy surfaces via integrating variational quantum eigensovler with machine learning
• Title（参考訳）: 変分量子固有ソフラーと機械学習の統合による正確なポテンシャルエネルギー表面の探索
• Authors: Yanxian Tao, Xiongzhi Zeng, Yi Fan, Jie Liu, Zhenyu Li, Jinlong Yang
• Abstract要約: この研究で、変分量子アルゴリズムは機械学習(ML)技術と統合可能であることを示す。 変分量子固有解法(VQE)のパラメータを表すために,分子幾何学情報をディープニューラルネットワーク(DNN)に符号化する。
• 参考スコア（独自算出の注目度）: 8.19234058079321
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The potential energy surface (PES) is crucial for interpreting a variety of chemical reaction processes. However, predicting accurate PESs with high-level electronic structure methods is a challenging task due to the high computational cost. As an appealing application of quantum computing, we show in this work that variational quantum algorithms can be integrated with machine learning (ML) techniques as a promising scheme for exploring accurate PESs. Different from using a ML model to represent the potential energy, we encode the molecular geometry information into a deep neural network (DNN) for representing parameters of the variational quantum eigensolver (VQE), leaving the PES to the wave function ansatz. Once the DNN model is trained, the variational optimization procedure that hinders the application of the VQE to complex systems is avoided and thus the evaluation of PESs is significantly accelerated. Numerical results demonstrate that a simple DNN model is able to reproduce accurate PESs for small molecules.
• Abstract（参考訳）: ポテンシャルエネルギー表面(PES)は様々な化学反応過程を解釈するために重要である。 しかし, 計算コストが高いため, 高レベル電子構造法を用いて正確なpesの予測は難しい課題である。 量子コンピューティングの魅力ある応用として、変分量子アルゴリズムが機械学習(ML)技術と統合され、正確なPSSを探索するための有望なスキームとなることを示す。 mlモデルを用いてポテンシャルエネルギーを表現するのとは異なり、分子幾何情報をディープニューラルネットワーク(dnn)にエンコードし、変動量子固有ソルバ(vqe)のパラメータを表現し、pesを波関数ansatzに残す。 DNNモデルを訓練すると、複雑なシステムへのVQEの適用を妨げる変動最適化手順が回避され、PSSの評価が大幅に加速される。 数値計算により、DNNモデルにより、小さな分子に対して正確なPSSを再現できることが示されている。

関連論文リスト

• NN-AE-VQE: Neural network parameter prediction on autoencoded variational quantum eigensolvers [1.7400502482492273]
  近年、量子コンピューティングの分野は大幅に成熟している。 NN-AE-VQEというニューラルネットワークを用いた自動符号化VQEを提案する。 我々はこれらの手法を、化学的精度を達成するために、$H$分子上で実証する。
  論文  参考訳（メタデータ） (2024-11-23T23:09:22Z)
• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• 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)
• Quantum Extreme Learning of molecular potential energy surfaces and force fields [5.13730975608994]
  量子ニューラルネットワークは、分子系のポテンシャルエネルギー表面と力場を学習するために用いられる。 この特定の教師付き学習ルーチンは、古典的コンピュータ上で実行される単純な線形回帰からなるリソース効率のトレーニングを可能にする。 我々は、任意の次元の分子を研究するために使用でき、NISQデバイスで即時使用するために最適化された設定をテストした。 他の教師付き学習ルーチンと比較して、提案されたセットアップは最小限の量子リソースを必要とするため、量子プラットフォーム上で直接実装することが可能である。
  論文  参考訳（メタデータ） (2024-06-20T18:00:01Z)
• Quantum Eigenvector Continuation for Chemistry Applications [57.70351255180495]
  我々は、既に計算済みの基底状態を利用することで、相当量の(量子)計算作業を省くことができることを示す。 いずれの場合も、比較的少数の基底状態を用いてPSSを捕捉できることが示される。
  論文  参考訳（メタデータ） (2023-04-28T19:22:58Z)
• Potential energy surfaces inference of both ground and excited state using hybrid quantum-classical neural network [0.0]
  変分量子固有解器のシュロゲートモデリングのためのハイブリッド量子古典ニューラルネットワークが提案されている。 サブスペース探索型変分量子固有解法を用いて, 地中および励起状態のPSSを化学的精度で推定できるようにモデルを拡張した。
  論文  参考訳（メタデータ） (2022-12-06T14:28:44Z)
• 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)
• Improved accuracy on noisy devices by non-unitary Variational Quantum Eigensolver for chemistry applications [0.0]
  本稿では,量子コンピュータを用いた電子構造最適化のための変分量子固有解法アルゴリズムを提案する。 非単項作用素は元のハミルトニアン系と組み合わせられ、単純化された波動関数 Ansatz による新しい変分問題につながる。
  論文  参考訳（メタデータ） (2021-01-22T20:17:37Z)
• 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)
• Considerations for evaluating thermodynamic properties with hybrid quantum-classical computing work-flows [0.0]
  量子コンピュータにおける量子化学の応用は、現在、変分量子固有解法アルゴリズムに大きく依存している。 本稿では、熱力学特性を計算するために、ハイブリッド量子古典型ワークフローの要約を示す。 作業フローオプションの選択を慎重に行うことで、等価な計算時間でほぼオーダーオブマグニチュードの精度が向上できることが示される。
  論文  参考訳（メタデータ） (2020-03-04T19:32:53Z)

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。