Fugu-MT 論文翻訳(概要): Encoding lattice structures in Quantum Computational Basis States

論文の概要: Encoding lattice structures in Quantum Computational Basis States

arxiv url: http://arxiv.org/abs/2406.01547v1
Date: Mon, 3 Jun 2024 17:29:15 GMT
ステータス: 処理完了
システム内更新日: 2024-06-05 22:00:59.773141
Title: Encoding lattice structures in Quantum Computational Basis States
Title（参考訳）: 量子計算基底状態における格子構造の符号化
Authors: Kalyan Dasgupta,
Abstract要約: 量子ビットの計算基底状態における格子構造の符号化手法について議論する。タンパク質構造予測における格子モデルの具体的な利用例を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Lattice models or structures are geometrical objects with mathematical forms, that are used to represent physical systems. They have been used widely in diverse fields, namely, in condensed matter physics, to study degrees of freedom of molecules in chemistry and in studying polymer dynamics and protein structures to name a few. In this article we discuss an encoding methodology of lattice structures in computational basis states of qubits (as used in quantum computing algorithms). We demonstrate a specific use case of lattice models in protein structure prediction. We do not propose any quantum algorithm to solve the protein structure prediction problem, instead, we propose a generic encoding methodology of lattice structures.
Abstract（参考訳）: 格子モデルまたは構造は、物理系を表現するために使用される数学的形式を持つ幾何学的対象である。様々な分野、すなわち凝縮物質物理学において、化学における分子の自由度の研究や、高分子力学やタンパク質構造の研究に広く用いられている。本稿では、量子計算アルゴリズムで用いられる量子ビットの計算基底状態における格子構造の符号化手法について論じる。タンパク質構造予測における格子モデルの具体的な利用例を示す。タンパク質構造予測問題を解くための量子アルゴリズムは提案せず、格子構造の一般的な符号化手法を提案する。

関連論文リスト

Towards structure-preserving quantum encodings [0.2118773996967412]
量子コンピュータは、機械学習タスクに量子コンピュータの潜在的な計算上の利点を利用することができる。このようなエンコーディングの選択は、あるタスクから別のタスクへと大きく異なり、構造がそれらの設計と実装に関する洞察を与えているケースはわずかである。本稿では、カテゴリ理論が、データセットや学習タスクに固有の構造を尊重するエンコーディングを解析するための自然な数学的枠組みを提供するという視点を提案する。
論文参考訳（メタデータ） (2024-12-23T18:32:08Z)
A cohomology-based Gromov-Hausdorff metric approach for quantifying molecular similarity [0.0]
本研究では,コホモロジーに基づくGromov-Hausdorff法を導入して,1次元および高次元(コホモロジー群)の解析を行う。幾何学的情報を取り入れることで,従来の持続的ホモロジー手法と比較して深い洞察を提供する。
論文参考訳（メタデータ） (2024-11-21T06:58:14Z)
Categories of quantum cpos [0.0]
量子cposと呼ばれる$omega$-complete partial order (cpos)の非可換一般化が見つかる。量子cposは将来の量子領域理論のバックボーンを形成します
論文参考訳（メタデータ） (2024-06-03T22:13:32Z)
A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
論文参考訳（メタデータ） (2023-12-12T18:44:19Z)
Symmetry-Informed Geometric Representation for Molecules, Proteins, and Crystalline Materials [66.14337835284628]
幾何戦略の有効性をベンチマークできるGeom3Dというプラットフォームを提案する。 Geom3Dは16の高度な対称性インフォームド幾何表現モデルと46の多様なデータセット上の14の幾何事前学習方法を含んでいる。
論文参考訳（メタデータ） (2023-06-15T05:37:25Z)
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)
Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
論文参考訳（メタデータ） (2022-05-20T19:38:00Z)
Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
論文参考訳（メタデータ） (2021-10-26T14:14:40Z)
Emerging quantum computing algorithms for quantum chemistry [0.0]
デジタル量子コンピュータはシュリンガー方程式を解くための計算フレームワークを提供する。これらのシステムの量子シミュレーションのための量子計算アルゴリズムは、最近顕著な成長を目撃している。
論文参考訳（メタデータ） (2021-09-07T05:18:25Z)
G-VAE, a Geometric Convolutional VAE for ProteinStructure Generation [41.66010308405784]
本稿では,3次元タンパク質構造の比較,変形,生成のための統合幾何学的ニューラルネットワーク手法を提案する。本手法は, トレーニングデータの構造と異なり, 可塑性構造を生成することができる。
論文参考訳（メタデータ） (2021-06-22T16:52:48Z)
Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
論文参考訳（メタデータ） (2020-08-11T15:01:32Z)

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。