論文の概要: Ab-initio quantum chemistry with neural-network wavefunctions
- arxiv url: http://arxiv.org/abs/2208.12590v1
- Date: Fri, 26 Aug 2022 11:33:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-29 12:49:52.474217
- Title: Ab-initio quantum chemistry with neural-network wavefunctions
- Title（参考訳）: ニューラルネットワーク波動関数を用いたab-initio量子化学
- Authors: Jan Hermann, James Spencer, Kenny Choo, Antonio Mezzacapo, W. M. C.
Foulkes, David Pfau, Giuseppe Carleo, Frank No\'e
- Abstract要約: 分子科学における機械学習の主な応用は、ポテンシャルエネルギー表面や力場を学習することである。
本稿では,ニューラルネットワークアンサッツ関数を用いた量子モンテカルロ法(QMC)に着目し,電子式Schr"odingerの解法を提案する。
- 参考スコア（独自算出の注目度）: 2.3306857544105686
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning and specifically deep-learning methods have outperformed
human capabilities in many pattern recognition and data processing problems, in
game playing, and now also play an increasingly important role in scientific
discovery. A key application of machine learning in the molecular sciences is
to learn potential energy surfaces or force fields from ab-initio solutions of
the electronic Schr\"odinger equation using datasets obtained with density
functional theory, coupled cluster, or other quantum chemistry methods. Here we
review a recent and complementary approach: using machine learning to aid the
direct solution of quantum chemistry problems from first principles.
Specifically, we focus on quantum Monte Carlo (QMC) methods that use neural
network ansatz functions in order to solve the electronic Schr\"odinger
equation, both in first and second quantization, computing ground and excited
states, and generalizing over multiple nuclear configurations. Compared to
existing quantum chemistry methods, these new deep QMC methods have the
potential to generate highly accurate solutions of the Schr\"odinger equation
at relatively modest computational cost.
- Abstract（参考訳）: 機械学習、特にディープラーニングの手法は、多くのパターン認識やデータ処理の問題、ゲームプレイにおいて人間の能力よりも優れており、科学的な発見においてますます重要な役割を担っている。
分子科学における機械学習の重要な応用は、密度汎関数理論、結合クラスタ、その他の量子化学手法を用いて得られたデータセットを用いて、電子シュリンガー方程式のアブ-イニシアト解からポテンシャルエネルギー表面または力場を学ぶことである。
本稿では、機械学習を用いて量子化学問題の直接的な解法を第一原理から支援する、最近の補完的なアプローチについてレビューする。
具体的には、第1量子化と第2量子化、基底状態と励起状態の両面において、電子的シュリンガー方程式を解くためにニューラルネットワークアンサッツ関数を使用する量子モンテカルロ法(QMC)に着目し、複数の核構成を一般化する。
既存の量子化学法と比較すると、これらの新しい深部QMC法は比較的控えめな計算コストでシュリンガー方程式の高精度な解を生成する可能性がある。
関連論文リスト
- Quantum Information Processing with Molecular Nanomagnets: an introduction [49.89725935672549]
本稿では,量子情報処理の導入について紹介する。
量子アルゴリズムを理解し設計するための基本的なツールを紹介し、分子スピンアーキテクチャ上での実際の実現を常に言及する。
分子スピンキュートハードウェア上で提案および実装された量子アルゴリズムの例を示す。
論文 参考訳（メタデータ） (2024-05-31T16:43:20Z) - 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) - A hybrid quantum-classical algorithm for multichannel quantum scattering
of atoms and molecules [62.997667081978825]
原子と分子の衝突に対するシュリンガー方程式を解くためのハイブリッド量子古典アルゴリズムを提案する。
このアルゴリズムはコーン変分原理の$S$-matrixバージョンに基づいており、基本散乱$S$-matrixを計算する。
大規模多原子分子の衝突をシミュレートするために,アルゴリズムをどのようにスケールアップするかを示す。
論文 参考訳（メタデータ） (2023-04-12T18:10:47Z) - 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 Self-Attention Ansatz for Ab-initio Quantum Chemistry [3.4161707164978137]
本稿では、自己注意型ウェーブファンクショントランス(Psiformer)を用いたニューラルネットワークアーキテクチャを提案する。
我々は、Psiformerを他のニューラルネットワークのドロップイン代替として使用することができ、計算精度を劇的に向上させることができることを示した。
これは、自己アテンションネットワークが電子間の複雑な量子力学的相関を学習できることを示し、より大きな系の化学計算において前例のない精度に達するための有望な経路であることを示している。
論文 参考訳（メタデータ） (2022-11-24T15:38:55Z) - 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) - Unbiasing Fermionic Quantum Monte Carlo with a Quantum Computer [0.4893345190925178]
多電子問題は計算科学における最大の課題のいくつかを浮き彫りにする。
フェルミオン量子モンテカルロ法(英語版)(QMC)はこれらの問題に対する最も強力なアプローチの一つである。
本稿では,制約付きQMCと量子コンピューティングツールを組み合わせることで,バイアスを低減する手法を提案する。
論文 参考訳（メタデータ） (2021-06-30T17:43:47Z) - Calculation of the ground-state Stark effect in small molecules using
the variational quantum eigensolver [0.0]
市販量子コンピュータであるIBM Qにおいて水素(H2)と水素化リチウム(LiH)分子の量子シミュレーションについて検討した。
変動量子固有解法 (VQE) を用いて、定常電界の作用下で分子の基底状態エネルギーと原子間距離について検討する。
論文 参考訳（メタデータ） (2021-03-22T11:49:42Z) - Mapping quantum chemical dynamics problems onto spin-lattice simulators [0.5249805590164901]
我々はこれらを量子スピン格子シミュレータにマッピングすることで量子化学核力学の解法を可能にするフレームワークを提供する。
我々のアプローチは、量子核力学の研究に使用される方法のパラダイムシフトを表している。
論文 参考訳（メタデータ） (2021-03-12T17:32:52Z) - 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) - Density functionals and Kohn-Sham potentials with minimal wavefunction
preparations on a quantum computer [0.0]
量子コンピュータの潜在的な応用の1つは、量子化学システムを解くことである。
本稿では,十分に強力な量子コンピュータから,機械学習モデルとしての正確な機能を得る方法を示す。
論文 参考訳（メタデータ） (2020-08-12T22:50:39Z)
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。