論文の概要: Virtual Screening of Chemical Space based on Quantum Annealing

• arxiv url: http://arxiv.org/abs/2307.05964v1
• Date: Wed, 12 Jul 2023 07:13:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-13 14:00:05.202605
• Title: Virtual Screening of Chemical Space based on Quantum Annealing
• Title（参考訳）: 量子アニーリングに基づく化学空間の仮想スクリーニング
• Authors: Takuro Tanaka, Masami Sako, Mahito Chiba, Chul Lee, Hyukgeun Cha, and Masayuki Ohzeki
• Abstract要約: 量子コンピュータは、古典的コンピュータよりも高速にサンプリングデータを生成することができる。 化学的空間を重要視することにより、化学空間を1%未満に減らすことができることがわかった。
• 参考スコア（独自算出の注目度）: 6.620824133892021
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: For searching a new chemical material which satisfies the target characteristic value, for example emission wavelength, many cut and trial of experiments/calculations are required since the chemical space is astronomically large (organic molecules generates >10^60 candidates). Extracting feature importance is a method to reduce the chemical space, and limiting the search space to those features leads to shorter development time. Quantum computer can generate sampling data faster than classical computers, and this property is utilized to extract feature importance. In this paper, quantum annealer was used as a sampler to make data for extracting feature importance of material properties. By screening the chemical space with feature importance, it was found that the chemical space can be reduced to less than 1 percent. This result suggests that the acceleration of material research can be achievable.
• Abstract（参考訳）: 発光波長などの目標特性値を満たす新しい化学物質を探索するには、化学空間が天文学的に大きいため、多くのカットと実験・計算が必要である(有機分子は10^60の候補を生成する)。 特徴量抽出は, 化学量を削減する手法であり, それらの特徴量に対する探索空間の制限により, 開発時間が短縮される。 量子コンピュータは従来のコンピュータよりも高速にサンプリングデータを生成でき、この特性を利用して特徴を抽出する。 本稿では, 材料特性の特徴的重要性を抽出するためのサンプルとして, 量子アニールを用いた。 化学的空間を重要視することにより, 化学的空間を1%未満に減らすことが可能であることが判明した。 この結果は物質研究の加速が達成可能であることを示唆している。

関連論文リスト

• Physics-informed active learning for accelerating quantum chemical simulations [10.56535364437456]
  本稿では,量子化学シミュレーションにおけるロバストなデータ効率ポテンシャル構築のためのエンドツーエンドALを提案する。 本プロトコルは,物理インフォームドによるトレーニングポイントのサンプリング,初期データの自動選択,不確実性定量化,収束モニタリングに基づく。 これらの調査は、高性能コンピューティングクラスタ上での純粋な量子化学計算ではなく、数週間を要した。
  論文  参考訳（メタデータ） (2024-04-18T00:17:01Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• ChemVise: Maximizing Out-of-Distribution Chemical Detection with the Novel Application of Zero-Shot Learning [60.02503434201552]
  本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。 合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
  論文  参考訳（メタデータ） (2023-02-09T20:19:57Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Hybrid Quantum Generative Adversarial Networks for Molecular Simulation and Drug Discovery [13.544339314714902]
  現在の古典的な計算力は、小さな分子以上をシミュレートするには不十分である。 毎年数十億ドルが研究に費やされている。 グラフ構造化データの深い生成モデルは、化学合成の問題に新たな視点を与えてくれる。
  論文  参考訳（メタデータ） (2022-12-15T13:36:35Z)
• Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
  生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。 いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。 我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
  論文  参考訳（メタデータ） (2022-06-06T06:17:11Z)
• Field-deployable Quantum Memory for Quantum Networking [62.72060057360206]
  実世界の展開とスケーリングの課題に対応するために設計された量子メモリを提示する。 メモリ技術は、温かいルビジウム蒸気を記憶媒体として利用し、室温で動作する。 我々は,高忠実度検索(95%)と低演算誤差(10-2)$を,単一光子レベルの量子メモリ操作に対して160$mu s$の記憶時間で示す。
  論文  参考訳（メタデータ） (2022-05-26T00:33:13Z)
• Near-Field Terahertz Nanoscopy of Coplanar Microwave Resonators [61.035185179008224]
  超伝導量子回路は、主要な量子コンピューティングプラットフォームの一つである。 超伝導量子コンピューティングを実用上重要な点に進めるためには、デコヒーレンスに繋がる物質不完全性を特定し、対処することが重要である。 ここでは、テラヘルツ走査近接場光学顕微鏡を用いて、シリコン上の湿式エッチングアルミニウム共振器の局所誘電特性とキャリア濃度を調査する。
  論文  参考訳（メタデータ） (2021-06-24T11:06:34Z)
• ChemoVerse: Manifold traversal of latent spaces for novel molecule discovery [0.7742297876120561]
  所望の化学的性質を持つ分子構造を同定することが不可欠である。 ニューラルネットワークと機械学習を用いた生成モデルの最近の進歩は、薬物のような化合物の仮想ライブラリの設計に広く利用されている。
  論文  参考訳（メタデータ） (2020-09-29T12:11:40Z)
• How will quantum computers provide an industrially relevant computational advantage in quantum chemistry? [0.0]
  量子コンピュータに関する議論で見過ごされがちな量子化学研究の微妙な複雑さについて考察する。 数種類の分子の化学的精度で量子コンピュータ上で計算を行うのに必要な量子コンピュータ資源を推定する。
  論文  参考訳（メタデータ） (2020-09-25T23:21:16Z)
• Quantum algorithm for alchemical optimization in material design [0.6116681488656472]
  本稿では,材料設計問題に適切なスケーリングで対処する量子アルゴリズムを提案する。 量子的優位性は、指数関数的に大きな化合物空間のサンプリングとともに電子構造特性の効率的な計算に存在している。 予備的な結果は、短期量子コンピュータのためのさらなる物質設計量子アルゴリズムの開発の基礎となる。
  論文  参考訳（メタデータ） (2020-08-14T16:24:30Z)

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。