論文の概要: Quantum computing quantum Monte Carlo with hybrid tensor network toward
electronic structure calculations of large-scale molecular and solid systems
- arxiv url: http://arxiv.org/abs/2303.18095v1
- Date: Fri, 31 Mar 2023 14:38:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 13:47:54.332460
- Title: Quantum computing quantum Monte Carlo with hybrid tensor network toward
electronic structure calculations of large-scale molecular and solid systems
- Title(参考訳): 大規模分子・固体系の電子構造計算に向けたハイブリッドテンソルネットワークを用いた量子計算量子モンテカルロ
- Authors: Shu Kanno, Hajime Nakamura, Takao Kobayashi, Shigeki Gocho, Miho
Hatanaka, Naoki Yamamoto, Qi Gao
- Abstract要約: 本稿では,QC-QMCとハイブリッドテンソルネットワーク(HTN)を組み合わせるアルゴリズムを提案する。
提案アルゴリズムは,ハイゼンベルク連鎖モデル,黒鉛系ハバードモデル,水素平面モデル,モノアリルビイミダゾール (MABI) に適用される。
- 参考スコア(独自算出の注目度): 5.980158149420619
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Quantum computers are expected to solve the problems for quantum chemistry
and materials science with higher accuracy than classical computers. Quantum
computing quantum Monte Carlo (QC-QMC) is a method that can be combined with
quantum algorithms such as variational quantum eigensolver (VQE) to obtain the
ground state with fewer quantum resources and higher accuracy than either VQE
or QMC alone. In this study, we propose an algorithm combining QC-QMC with
hybrid tensor network (HTN) to extend the applicability of QC-QMC for the
system beyond the size of a single quantum device, and we named the algorithm
HTN+QMC. For HTN with the structure of a two-layer quantum-quantum tree tensor,
the proposed algorithm for an $O(n^2)$-qubit reference wave function (trial
wave function) in QMC can be performed by using only a $n$-qubit device
excluding ancilla qubits. Full configuration interaction QMC is adopted as an
example of QMC, and the proposed algorithm is applied to the Heisenberg chain
model, the graphite-based Hubbard model, the hydrogen plane model, and
MonoArylBiImidazole (MABI). The results show that the algorithm can achieve
energy accuracy several orders of magnitude higher than either VQE or QMC
alone. In addition, the energy accuracy of HTN+QMC is as same as QC-QMC when
the system is appropriately decomposed. These results pave the way to
electronic structure calculation for large systems with high accuracy on
current quantum devices.
- Abstract(参考訳): 量子コンピュータは、古典的コンピュータよりも高い精度で量子化学と材料科学の問題を解決することが期待されている。
量子コンピューティング量子モンテカルロ(quantum computing quantum monte carlo、qc-qmc)は、変分量子固有ソルバ(vqe)のような量子アルゴリズムと組み合わせて、量子リソースが少なく、vqeやqmc単独よりも精度の高い基底状態を得る手法である。
本研究では,QC-QMCとハイブリッドテンソルネットワーク(HTN)を組み合わせて,単一量子デバイスを超越したシステムに対するQC-QMCの適用性を高めるアルゴリズムを提案し,そのアルゴリズムをHTN+QMCと名付けた。
2層量子量子木テンソルの構造を持つHTNの場合、QMCにおける$O(n^2)$-qubit参照波関数(心房波関数)のアルゴリズムは、アンシラ量子ビットを除く$n$-qubitデバイスのみを用いることで実現できる。
完全構成相互作用QMCはQMCの例として採用され,提案アルゴリズムはハイゼンベルク連鎖モデル,グラファイト系ハバードモデル,水素平面モデル,モノアリルビイミダゾール (MABI) に適用される。
その結果,このアルゴリズムはVQEまたはQMC単独よりも数桁高いエネルギー精度が得られることがわかった。
さらに、HTN+QMCのエネルギー精度は、システムが適切に分解されたときにQC−QMCと同じである。
これらの結果は、現在の量子デバイス上で高精度な大規模システムに対する電子構造計算への道を開く。
関連論文リスト
- TeD-Q: a tensor network enhanced distributed hybrid quantum machine
learning framework [59.07246314484875]
TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。
古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。
量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
論文 参考訳(メタデータ) (2023-01-13T09:35:05Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳(メタデータ) (2022-12-21T19:00:04Z) - Expressive Quantum Perceptrons for Quantum Neuromorphic Computing [1.7636846875530183]
量子ニューロモルフィックコンピューティング(QNC)は量子機械学習(QML)のサブフィールドである
量子パーセプトロン(QP)と呼ばれるQNCアーキテクチャのためのビルディングブロックを提案する。
相互作用する量子ビットと可変結合定数のアナログダイナミクスに基づくQPの計算。
我々は、QPは制限された資源を持つ古典パーセプトロンと同等の量子であり、ニューロンの単純な数学的モデルであることを示す。
論文 参考訳(メタデータ) (2022-11-14T02:50:42Z) - Deterministic and random features for large-scale quantum kernel machine [0.9404723842159504]
提案した決定論的およびランダムな特徴を用いて量子カーネル法(QKM)をスケーラブルにすることができることを示す。
O(1,000) sim O(10,000)$トレーニングデータを含むデータセットを用いた数値実験は,本手法の有効性を裏付けるものである。
論文 参考訳(メタデータ) (2022-09-05T13:22:34Z) - On the Super-exponential Quantum Speedup of Equivariant Quantum Machine
Learning Algorithms with SU($d$) Symmetry [14.281289319738633]
我々は、量子計算の自然モデルであるPQC(permutational quantum computing)を強化し、より強力なモデルであるPQC+を定義する。
PQC は,PQC+ マシン上で効率よく解ける問題を示す。
本稿では,PQC+のパラダイムで実現可能な実用的な量子機械学習アルゴリズムについて論じる。
論文 参考訳(メタデータ) (2022-07-15T01:41:53Z) - A prescreening method for variational quantum state eigensolver [0.0]
本稿では,変分量子状態固有解法(VQSE)とサブスペース探索VQE(SSVQE)を用いて,全ての状態を高精度に導出する方法を提案する。
我々は,VQSEとSSVQEプレスクリーニング法を用いて,水素分子の状態をすべて正しく抽出できることを実証した。
論文 参考訳(メタデータ) (2021-11-03T18:13:33Z) - QTN-VQC: An End-to-End Learning framework for Quantum Neural Networks [71.14713348443465]
可変量子回路(VQC)上に量子埋め込みを行うためのトレーニング可能な量子テンソルネットワーク(QTN)を導入する。
QTNは、量子埋め込みの生成から出力測定まで、エンドツーエンドのパラメトリックモデルパイプライン、すなわちQTN-VQCを可能にする。
MNISTデータセットに対する我々の実験は、他の量子埋め込み手法に対する量子埋め込みに対するQTNの利点を実証している。
論文 参考訳(メタデータ) (2021-10-06T14:44:51Z) - On exploring practical potentials of quantum auto-encoder with
advantages [92.19792304214303]
量子オートエンコーダ(QAE)は、量子物理学で遭遇する次元の呪いを和らげるための強力なツールである。
我々はQAEを用いて固有値を効率的に計算し、高次元量子状態の対応する固有ベクトルを作成できることを証明した。
低ランク状態の忠実度推定,量子ギブス状態準備,量子メトロジーの課題を解決するために,QAEに基づく効果的な3つの学習プロトコルを考案した。
論文 参考訳(メタデータ) (2021-06-29T14:01:40Z) - Tensor Network Quantum Virtual Machine for Simulating Quantum Circuits
at Exascale [57.84751206630535]
本稿では,E-scale ACCelerator(XACC)フレームワークにおける量子回路シミュレーションバックエンドとして機能する量子仮想マシン(TNQVM)の近代化版を提案する。
新バージョンは汎用的でスケーラブルなネットワーク処理ライブラリであるExaTNをベースにしており、複数の量子回路シミュレータを提供している。
ポータブルなXACC量子プロセッサとスケーラブルなExaTNバックエンドを組み合わせることで、ラップトップから将来のエクサスケールプラットフォームにスケール可能なエンドツーエンドの仮想開発環境を導入します。
論文 参考訳(メタデータ) (2021-04-21T13:26:42Z) - Simulating periodic systems on quantum computer [7.332046127518237]
本稿では,拡張システムにおける量子シミュレーションの精度向上のための2つの手法を提案する。
一つは修正VQEアルゴリズムであり、複素ハミルトニアンを避けるためにハートリー・フォック軌道のユニタリ変換を導入する。
2つ目は、VQEと量子部分空間展開アプローチ(VQE/QSE)を組み合わせたポストVQEアプローチである。
論文 参考訳(メタデータ) (2020-08-07T01:56:32Z) - On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。
また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文 参考訳(メタデータ) (2020-07-24T06:34:34Z)
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。