論文の概要: Inverse Design of Metal-Organic Frameworks Using Quantum Natural Language Processing
- arxiv url: http://arxiv.org/abs/2405.11783v2
- Date: Wed, 21 May 2025 10:43:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-22 15:42:56.628689
- Title: Inverse Design of Metal-Organic Frameworks Using Quantum Natural Language Processing
- Title（参考訳）: 量子自然言語処理を用いた金属有機フレームワークの逆設計
- Authors: Shinyoung Kang, Jihan Kim,
- Abstract要約: 本稿では、量子自然言語処理(QNLP)を用いて、ターゲット特性を持つ金属-有機系フレームワーク(MOF)を逆設計する可能性について検討する。
450の仮説MOF構造を細孔体積の4つの異なるクラスと、Henryの定数値$CO_2$に分類する。
量子回路の確率的性質に合わせて,多クラス分類モデルを開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this study, we explore the potential of using quantum natural language processing (QNLP) to inverse design metal-organic frameworks (MOFs) with targeted properties. Specifically, by analyzing 450 hypothetical MOF structures consisting of 3 topologies, 10 metal nodes and 15 organic ligands, we categorize these structures into four distinct classes for pore volume and $CO_{2}$ Henry's constant values. We then compare various QNLP models (i.e. the bag-of-words, DisCoCat (Distributional Compositional Categorical), and sequence-based models) to identify the most effective approach to process the MOF dataset. Using a classical simulator provided by the IBM Qiskit, the bag-of-words model is identified to be the optimum model, achieving validation accuracies of 88.6% and 78.0% for binary classification tasks on pore volume and $CO_{2}$ Henry's constant, respectively. Further, we developed multi-class classification models tailored to the probabilistic nature of quantum circuits, with average test accuracies of 92% and 80% across different classes for pore volume and $CO_{2}$ Henry's constant datasets. Finally, the performance of generating MOF with target properties showed accuracies of 93.5% for pore volume and 87% for $CO_{2}$ Henry's constant, respectively. Although our investigation covers only a fraction of the vast MOF search space, it marks a promising first step towards using quantum computing for materials design, offering a new perspective through which to explore the complex landscape of MOFs.
- Abstract（参考訳）: 本研究では、量子自然言語処理(QNLP)を用いて、ターゲット特性を持つ金属-有機フレームワーク(MOF)を逆設計する可能性について検討する。
具体的には、3つのトポロジー、10個の金属ノード、15個の有機配位子からなる450個の仮説MOF構造を解析することにより、これらの構造を細孔体積の4つの異なるクラスとCO_{2}$ヘンリーの定数に分類する。
次に、様々なQNLPモデル(単語のバッグ、DisCoCat(分布構成カテゴリー)、シーケンスベースモデル)を比較し、MOFデータセットを処理する上で最も効果的なアプローチを特定する。
IBM Qiskitによって提供される古典的なシミュレータを用いて、単語のバッグ・オブ・ワード・モデルは最適なモデルであると同定され、それぞれ、細孔体積上のバイナリ分類タスクに対して88.6%と78.0%の検証精度を達成する。
さらに, 量子回路の確率的性質に合わせた多クラス分類モデルを開発し, 平均試験精度は92%, 80%で, 細孔体積とCO_{2}$Henryの定数データセットを比較検討した。
最後に、ターゲット特性を持つMOFの生成性能は、孔容積が93.5%、CO_{2}$ヘンリー定数が87%であった。
我々の調査はMOFの検索領域のごく一部しかカバーしていないが、材料設計に量子コンピューティングを使うための有望な第一歩であり、MOFの複雑な景観を探索する新しい視点を提供する。
関連論文リスト
- Quantum Computing Based Design of Multivariate Porous Materials [1.0923877073891446]
構成,構造,バランスの制約を直接ハミルトニアンに組み込む量子コンピューティングのハミルトニアンモデルを提案する。
我々のフレームワークは、最適な構成を特定するために、リンカの広大な探索空間を指数関数的に効率的に探索する。
実験的に知られたMTV多孔質材料のシミュレーションは、その基底状態の再現に成功した。
論文 参考訳（メタデータ） (2025-02-10T10:40:22Z) - QuantMoE-Bench: Examining Post-Training Quantization for Mixture-of-Experts [47.01697456105496]
Mixture-of-Experts (MoE)は、大規模言語モデルの学習能力をスケールアップする有望な方法である。
MoEは大きなパラメータサイズのためにメモリオーバーヘッドに悩まされる。
トレーニング後の量子化は、モデル圧縮に強力なアプローチを提供する。
論文 参考訳（メタデータ） (2024-06-12T12:44:48Z) - Unchosen Experts Can Contribute Too: Unleashing MoE Models' Power by Self-Contrast [58.98411447739218]
Mixture-of-Experts (MoE) は、計算効率を保ちながら、モデルサイズをスケールするための顕著なアーキテクチャとして登場した。
本研究では,無声専門家を推論中に自己コントラスト的に活用する学習自由戦略である自己コントラスト混合(SCMoE)を提案する。
我々の手法は概念的には単純で計算量も軽量であり、グリージー復号法に比べて最小限の遅延を発生させる。
論文 参考訳（メタデータ） (2024-05-23T12:45:29Z) - Application of Quantum Tensor Networks for Protein Classification [3.5300092061072523]
タンパク質配列は自然言語処理における文として考えることができることを示す。
我々は、その細胞内位置に基づいてタンパク質を分類する。
量子ネットワーク(QTN)がタンパク質配列の複雑さと多様性を効果的に処理できることを実証する。
論文 参考訳（メタデータ） (2024-03-11T16:47:09Z) - Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-02-27T03:33:23Z) - Application of Quantum Pre-Processing Filter for Binary Image
Classification with Small Samples [1.2965700352825555]
提案する量子前処理フィルタ(QPF)のバイナリ画像分類への応用について検討した。
MNIST(手書き桁)、EMNIST(手書き桁とアルファベット)、CIFAR-10(写真画像)、GTSRB(実生活交通標識画像)の4つのデータセットでQPFを評価した。
論文 参考訳（メタデータ） (2023-08-28T23:08:32Z) - Molecule Design by Latent Space Energy-Based Modeling and Gradual
Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。
本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。
本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文 参考訳（メタデータ） (2023-06-09T03:04:21Z) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳（メタデータ） (2023-03-27T22:48:28Z) - Rapid Design of Top-Performing Metal-Organic Frameworks with Qualitative
Representations of Building Blocks [6.739378766136524]
金属フレームワーク(MOF)は、そのような物質システムの一例である。
異なるビルディングブロックによるMOFの表現は、設計者が質的な情報を設計の最適化に組み込むことを困難にしている。
本研究では,遅延可変ガウス過程 (LVGP) と多目的バッチベイズ最適化 (MOBBO) を統合し,人間の介入なしに高い性能のMOFを適応的に,自律的に,効率的に識別する。
論文 参考訳（メタデータ） (2023-02-17T23:24:44Z) - Photonic Quantum Computing For Polymer Classification [62.997667081978825]
2つのポリマークラス (VIS) と近赤外 (NIR) は, ポリマーギャップの大きさに基づいて定義される。
高分子構造の二項分類に対する古典量子ハイブリッド手法を提案する。
論文 参考訳（メタデータ） (2022-11-22T11:59:52Z) - Analysis of Quantization on MLP-based Vision Models [36.510879540365636]
量子化は、ニューラルネットワークの浮動小数点重みとアクティベーションを低ビット整数に変換することによって効率的なモデルを得る。
本稿では,有界モデルに量子化を直接適用することで,精度が向上することを示す。
論文 参考訳（メタデータ） (2022-09-14T02:55:57Z) - Quantum-Classical Computational Molecular Design of Deuterated
High-Efficiency OLED Emitters [6.478822860398177]
本研究では、合成可能な$Alq_3$エミッタを設計するためのハイブリッド量子古典計算手法について述べる。
因子化マシンをベースとした手法は,64 個の減算された$Alq_3$エミッタに対して,正確な特性予測を導出できることを示す。
VQEとQAOAのどちらの計算も、量子シミュレータ上で0.95以上の確率で最適な分子を予測することができる。
論文 参考訳（メタデータ） (2021-10-28T01:29:44Z) - MoEfication: Conditional Computation of Transformer Models for Efficient
Inference [66.56994436947441]
トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。
スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。
そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
論文 参考訳（メタデータ） (2021-10-05T02:14:38Z)
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。