論文の概要: Generating Approximate Ground States of Molecules Using Quantum Machine
Learning
- arxiv url: http://arxiv.org/abs/2210.05489v3
- Date: Mon, 2 Jan 2023 05:37:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-22 22:20:17.544894
- Title: Generating Approximate Ground States of Molecules Using Quantum Machine
Learning
- Title（参考訳）: 量子機械学習による分子の近似基底状態の生成
- Authors: Jack Ceroni, Torin F. Stetina, Maria Kieferova, Carlos Ortiz Marrero,
Juan Miguel Arrazola, Nathan Wiebe
- Abstract要約: 本稿では、生成量子機械学習モデルを用いて、ポテンシャルエネルギー表面上の任意の点における量子状態を作成することを提案する。
我々のアプローチでは、古典的なニューラルネットワークを用いて分子の核座標を変動量子回路の量子パラメータに変換する。
勾配評価は効率的であり,水素鎖,水および水酸化ベリリウムのPES上での波動関数の調製能力を示す。
- 参考スコア（独自算出の注目度）: 2.1286051580524523
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The potential energy surface (PES) of molecules with respect to their nuclear
positions is a primary tool in understanding chemical reactions from first
principles. However, obtaining this information is complicated by the fact that
sampling a large number of ground states over a high-dimensional PES can
require a vast number of state preparations. In this work, we propose using a
generative quantum machine learning model to prepare quantum states at
arbitrary points on the PES. The model is trained using quantum data consisting
of ground-state wavefunctions associated with different classical nuclear
coordinates. Our approach uses a classical neural network to convert the
nuclear coordinates of a molecule into quantum parameters of a variational
quantum circuit. The model is trained using a fidelity loss function to
optimize the neural network parameters. We show that gradient evaluation is
efficient and numerically demonstrate our method's ability to prepare
wavefunctions on the PES of hydrogen chains, water, and beryllium hydride. In
all cases, we find that a small number of training points are needed to achieve
very high overlap with the groundstates in practice. From a theoretical
perspective, we further prove limitations on these protocols by showing that if
we were able to learn across an avoided crossing using a small number of
samples, then we would be able to violate Grover's lower bound. Additionally,
we prove lower bounds on the amount of quantum data needed to learn a locally
optimal neural network function using arguments from quantum Fisher
information. This work further identifies that quantum chemistry can be an
important use case for quantum machine learning.
- Abstract（参考訳）: 原子核の位置に関する分子のポテンシャルエネルギー表面(PES)は、第一原理から化学反応を理解するための主要な道具である。
しかし、高次元PSS上で大量の基底状態のサンプリングを行うためには、大量の状態の準備が必要であるため、この情報を取得することは複雑である。
本研究では,pes上の任意の点における量子状態生成のための生成量子機械学習モデルを提案する。
このモデルは、異なる古典的核座標に関連する基底状態波動関数からなる量子データを用いて訓練される。
我々のアプローチでは、古典的なニューラルネットワークを用いて分子の核座標を変動量子回路の量子パラメータに変換する。
モデルは、ニューラルネットワークパラメータを最適化するために、忠実度損失関数を使用してトレーニングされる。
勾配評価は, 水素鎖, 水, および水化ベリリウムのpes上での波動関数の調製が効率的かつ数値的に可能であることを示す。
いずれの場合も、実際に行われている基底状態と非常に高い重複を達成するためには、少数のトレーニングポイントが必要である。
理論的観点からは、もし少数のサンプルを使って回避された交差を学習できたら、グローバーの下限を破ることができることを示すことで、これらのプロトコルの限界をさらに証明する。
さらに,量子フィッシャー情報からの引数を用いて,局所最適ニューラルネットワーク関数を学習するのに必要な量子データ量の上限を低くすることを示す。
この研究は量子化学が量子機械学習の重要なユースケースであることを示すものである。
関連論文リスト
- 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 Equilibrium Propagation for efficient training of quantum systems based on Onsager reciprocity [0.0]
平衡伝播(Equilibrium propagation、EP)は、平衡に緩和する古典的なエネルギーモデルに導入され応用された手順である。
ここでは、EPとOnsagerの相互性を直接接続し、これを利用してEPの量子バージョンを導出する。
これは任意の量子系の可観測物の期待値に依存する損失関数の最適化に使うことができる。
論文 参考訳（メタデータ） (2024-06-10T17:22:09Z) - 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) - Exhaustive search for optimal molecular geometries using imaginary-time
evolution on a quantum computer [0.0]
第一量子化固有解法のための分子の幾何最適化のための非変分法スキームを提案する。
電子状態と分子の候補を多ビット状態の重ね合わせとしてエンコードする。
回路深さは電子番号n_eのO(n_e2 poly(log n_e))としてスケールし、余剰O(n_e log n_e)量子ビットが利用可能であればO(n_e poly(log n_e))に縮小できる。
論文 参考訳（メタデータ） (2022-10-18T14:18:20Z) - Measuring Quantum Entanglement from Local Information by Machine
Learning [10.161394383081145]
絡み合いは量子技術の発展における鍵となる性質である。
本稿では,局所ハミルトニアンの平衡状態と非平衡状態の絡み合いを測定するためのニューラルネットワーク支援プロトコルを提案する。
論文 参考訳（メタデータ） (2022-09-18T08:15:49Z) - Accurate and Efficient Quantum Computations of Molecular Properties
Using Daubechies Wavelet Molecular Orbitals: A Benchmark Study against
Experimental Data [5.086494083782608]
ダウビーウェーブレット基底から構築された最小基底集合は、分子ハミルトニアンをよりよく記述することで正確な結果が得られることを示す。
我々の研究は、分子系の効率的なQCに対して、より効率的で正確な分子ハミルトニアン表現を提供する。
論文 参考訳（メタデータ） (2022-05-28T16:22:18Z) - On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
論文 参考訳（メタデータ） (2021-06-29T14:01:40Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-30T12:19:27Z) - 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) - Variational quantum Gibbs state preparation with a truncated Taylor
series [8.467503414303637]
量子ギブス状態生成のための変分型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、パラメータ化量子回路を備えた短期量子コンピュータに実装することができる。
論文 参考訳（メタデータ） (2020-05-18T15:17:09Z) - Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。
この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。
我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文 参考訳（メタデータ） (2020-01-15T18:36:53Z)
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。