論文の概要: Quantum Hardware-Enabled Molecular Dynamics via Transfer Learning

• arxiv url: http://arxiv.org/abs/2406.08554v1
• Date: Wed, 12 Jun 2024 18:00:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-14 22:27:16.702731
• Title: Quantum Hardware-Enabled Molecular Dynamics via Transfer Learning
• Title（参考訳）: 転移学習による量子ハードウェア実現分子動力学
• Authors: Abid Khan, Prateek Vaish, Yaoqi Pang, Nikhil Kowshik, Michael S. Chen, Clay H. Batton, Grant M. Rotskoff, J. Wayne Mullinax, Bryan K. Clark, Brenda M. Rubenstein, Norm M. Tubman,
• Abstract要約: 量子ハードウェア上での分子動力学シミュレーションのための新しい経路を提案する。 移動学習と機械学習によるポテンシャルエネルギー表面構築技術を組み合わせることにより,新しい経路が提案される。 このアプローチは、機械学習モデルをトレーニングして、Behler-Parrinelloニューラルネットワークを用いて分子のポテンシャルエネルギーを予測することによって実証される。
• 参考スコア（独自算出の注目度）: 1.9144534010016192
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to perform ab initio molecular dynamics simulations using potential energies calculated on quantum computers would allow virtually exact dynamics for chemical and biochemical systems, with substantial impacts on the fields of catalysis and biophysics. However, noisy hardware, the costs of computing gradients, and the number of qubits required to simulate large systems present major challenges to realizing the potential of dynamical simulations using quantum hardware. Here, we demonstrate that some of these issues can be mitigated by recent advances in machine learning. By combining transfer learning with techniques for building machine-learned potential energy surfaces, we propose a new path forward for molecular dynamics simulations on quantum hardware. We use transfer learning to reduce the number of energy evaluations that use quantum hardware by first training models on larger, less accurate classical datasets and then refining them on smaller, more accurate quantum datasets. We demonstrate this approach by training machine learning models to predict a molecule's potential energy using Behler-Parrinello neural networks. When successfully trained, the model enables energy gradient predictions necessary for dynamics simulations that cannot be readily obtained directly from quantum hardware. To reduce the quantum resources needed, the model is initially trained with data derived from low-cost techniques, such as Density Functional Theory, and subsequently refined with a smaller dataset obtained from the optimization of the Unitary Coupled Cluster ansatz. We show that this approach significantly reduces the size of the quantum training dataset while capturing the high accuracies needed for quantum chemistry simulations.
• Abstract（参考訳）: 量子コンピュータ上で計算されたポテンシャルエネルギーを用いてアブ初期分子動力学シミュレーションを実行する能力は、触媒学と生物物理学の分野に大きな影響を与える化学・生化学系のほとんど正確な力学を許容する。 しかし、ノイズの多いハードウェア、計算勾配のコスト、大規模システムのシミュレーションに必要な量子ビットの数などは、量子ハードウェアを用いた動的シミュレーションの可能性を実現する上で大きな課題である。 ここでは、機械学習の最近の進歩によって、これらの問題のいくつかを緩和できることを実証する。 移動学習と機械学習によるポテンシャルエネルギー表面構築技術を組み合わせることで,量子ハードウェア上での分子動力学シミュレーションの新しい手法を提案する。 転送学習を用いて、より大きく、より正確でない古典的データセット上でモデルをトレーニングし、より小さく、より正確な量子データセット上でそれらを精錬することで、量子ハードウェアを使用するエネルギー評価の数を削減します。 このアプローチは、機械学習モデルをトレーニングして、Behler-Parrinelloニューラルネットワークを用いて分子のポテンシャルエネルギーを予測することによって実証される。 トレーニングが成功すれば、量子ハードウェアから直接は得られない動的シミュレーションに必要なエネルギー勾配予測が可能になる。 必要な量子リソースを減らすために、モデルはまず密度汎関数理論のような低コストな手法から得られたデータで訓練され、その後、ユニタリ結合クラスタアンサッツの最適化から得られたより小さなデータセットで改良される。 提案手法は,量子化学シミュレーションに必要な高い精度を計測しながら,量子トレーニングデータセットのサイズを大幅に削減することを示す。

関連論文リスト

• Quantum Extreme Learning of molecular potential energy surfaces and force fields [5.13730975608994]
  量子ニューラルネットワークは、分子系のポテンシャルエネルギー表面と力場を学習するために用いられる。 この特定の教師付き学習ルーチンは、古典的コンピュータ上で実行される単純な線形回帰からなるリソース効率のトレーニングを可能にする。 我々は、任意の次元の分子を研究するために使用でき、NISQデバイスで即時使用するために最適化された設定をテストした。 他の教師付き学習ルーチンと比較して、提案されたセットアップは最小限の量子リソースを必要とするため、量子プラットフォーム上で直接実装することが可能である。
  論文  参考訳（メタデータ） (2024-06-20T18:00:01Z)
• 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)
• Extending the reach of quantum computing for materials science with machine learning potentials [0.3352108528371308]
  本稿では,機械学習のポテンシャルを用いて,量子計算手法の範囲を大規模シミュレーションに拡張する戦略を提案する。 各種ノイズ源を選択する機械学習能力の訓練性について検討する。 我々は、水素分子のための実際のIBM Quantumプロセッサ上で計算されたデータから、最初の機械学習ポテンシャルを構築する。
  論文  参考訳（メタデータ） (2022-03-14T15:59:30Z)
• Recompilation-enhanced simulation of electron-phonon dynamics on IBM Quantum computers [62.997667081978825]
  小型電子フォノン系のゲートベース量子シミュレーションにおける絶対的資源コストについて考察する。 我々は、弱い電子-フォノン結合と強い電子-フォノン結合の両方のためのIBM量子ハードウェアの実験を行う。 デバイスノイズは大きいが、近似回路再コンパイルを用いることで、正確な対角化に匹敵する電流量子コンピュータ上で電子フォノンダイナミクスを得る。
  論文  参考訳（メタデータ） (2022-02-16T19:00:00Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Pulse-level noisy quantum circuits with QuTiP [53.356579534933765]
  我々はQuTiPの量子情報処理パッケージであるqutip-qipに新しいツールを導入する。 これらのツールはパルスレベルで量子回路をシミュレートし、QuTiPの量子力学解法と制御最適化機能を活用する。 シミュレーションプロセッサ上で量子回路がどのようにコンパイルされ、制御パルスがターゲットハミルトニアンに作用するかを示す。
  論文  参考訳（メタデータ） (2021-05-20T17:06:52Z)
• Holographic dynamics simulations with a trapped ion quantum computer [0.0]
  我々は、新しいスケーラブルな量子シミュレーションパラダイムを実証し、ベンチマークする。 ハネウェルに閉じ込められたイオン量子プロセッサを用いて、自己双対蹴りイジングモデルの非可積分ダイナミクスをシミュレートする。 その結果、量子テンソルネットワーク法は、最先端の量子プロセッサ機能とともに、近い将来に実用的な量子優位性を実現することができることが示唆された。
  論文  参考訳（メタデータ） (2021-05-19T18:00:02Z)
• 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 Quantum Materials with Digital Quantum Computers [55.41644538483948]
  デジタル量子コンピュータ(DQC)は、古典的コンピュータでは引き起こせない量子シミュレーションを効率的に行うことができる。 このレビューの目的は、物理量子優位性を達成するために行われた進歩の要約を提供することである。
  論文  参考訳（メタデータ） (2021-01-21T20:10:38Z)
• Simulating Energy Transfer in Molecular Systems with Digital Quantum Computers [8.271013526496906]
  量子コンピュータは、古典的なコンピュータの能力を超えた化学システムをシミュレートする可能性がある。 有機半導体分子のエネルギー移動をシミュレーションすることにより、化学の短期量子シミュレーションを時間依存プロセスに拡張する。 提案手法は, 化学, 生物, 物質系の量子力学を量子コンピュータでモデル化する新たな機会を開く。
  論文  参考訳（メタデータ） (2021-01-18T05:08:05Z)
• Digital quantum simulation of molecular dynamics and control [0.0]
  分子系を制御するために最適形状の場を設計するために量子コンピュータをどのように利用できるかを研究する。 本稿では,時間内に分子系の場誘起量子力学をシミュレートする量子コンピュータを用いたハイブリッドアルゴリズムを提案する。 数値図解は、パラダイム的振動と回転制御の問題を明示的に扱う。
  論文  参考訳（メタデータ） (2020-02-28T00:45:56Z)

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。