論文の概要: A Study on Quantum Car-Parrinello Molecular Dynamics with Classical Shadows for Resource Efficient Molecular Simulation
- arxiv url: http://arxiv.org/abs/2406.18797v1
- Date: Thu, 27 Jun 2024 00:06:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-28 15:47:01.244774
- Title: A Study on Quantum Car-Parrinello Molecular Dynamics with Classical Shadows for Resource Efficient Molecular Simulation
- Title（参考訳）: 資源効率のよい分子シミュレーションのための古典的影をもつ量子カー・パルリネロ分子動力学に関する研究
- Authors: Honomi Kashihara, Yudai Suzuki, Kenji Yasuoka,
- Abstract要約: 分子動力学(Ab-initio molecular dynamics、AIMD)は、物質の物性を研究するために分子の物理運動をシミュレートする強力なツールである。
近い将来の量子コンピュータは、この課題を緩和するための解決策として多くの注目を集めている。
提案手法に基づいて,資源効率の向上を目的とした古典的シャドウ手法を提案する。
- 参考スコア（独自算出の注目度）: 0.24578723416255746
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ab-initio molecular dynamics (AIMD) is a powerful tool to simulate physical movements of molecules for investigating properties of materials. While AIMD is successful in some applications, circumventing its high computational costs is imperative to perform large-scale and long-time simulations. In recent days, near-term quantum computers have attracted much attentions as a possible solution to alleviate the challenge. Specifically, Kuroiwa et al. proposed a new AIMD method called quantum Car-Parrinello molecular dynamics (QCPMD), which exploits the Car-Parrinello method and Langevin formulation to realize cost-efficient simulations at the equilibrium state, using near-term quantum devices. In this work, we build on the proposed QCPMD method and introduce the classical shadow technique to further improve resource efficiency of the simulations. More precisely, classical shadows are used to estimate the forces of all nuclei simultaneously, implying this approach is more effective as the number of molecules increases. We numerically study the performance of our scheme on the $\text{H}_2$ molecule and show that QCPMD with classical shadows can simulate the equilibrium state. Our results will give some insights into efficient AIMD simulations on currently-available quantum computers.
- Abstract（参考訳）: 分子動力学(Ab-initio molecular dynamics、AIMD)は、物質の物性を研究するために分子の物理運動をシミュレートする強力なツールである。
AIMDはいくつかのアプリケーションで成功しているが、その高い計算コストを回避することは大規模で長期間のシミュレーションを実行するのに不可欠である。
近年、量子コンピュータはこの課題を緩和するための解決策として多くの注目を集めている。
具体的には、カル・パラネロ法とランゲヴィン定式化を利用して、短期量子デバイスを用いて平衡状態におけるコスト効率のシミュレーションを実現する量子カル・パラネロ分子動力学(QCPMD)と呼ばれる新しいAIMD法を提案した。
本研究は,提案したQCPMD法に基づいて,シミュレーションの資源効率をさらに向上する古典的シャドウ手法を提案する。
より正確には、古典的な影は全ての核の力を同時に推定するために使われ、これは分子の数が増えるにつれてこのアプローチがより効果的であることを意味する。
提案手法を$\text{H}_2$分子上で数値的に検討し,古典的影を持つQCPMDが平衡状態をシミュレート可能であることを示す。
我々の結果は、現在利用可能な量子コンピュータ上での効率的なAIMDシミュレーションに関する洞察を与える。
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) - 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) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - Quantum Car-Parrinello Molecular Dynamics: A Cost-Efficient Molecular
Simulation Method on Near-Term Quantum Computers [0.0]
短期量子コンピュータ,Quantum Car-Parrinello molecular dynamics (QCPMD) における有限温度分子動力学のコスト削減手法を提案する。
可変量子固有解法 (VQE) を用いて分子動力学と比較して, 大幅なコスト削減を実現する。
論文 参考訳（メタデータ） (2022-12-22T17:59:31Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳（メタデータ） (2022-05-17T13:08:28Z) - 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) - NNP/MM: Accelerating molecular dynamics simulations with machine
learning potentials and molecular mechanic [38.50309739333058]
ニューラルネットワーク電位(NNP)と分子力学(MM)を組み合わせたハイブリッド手法(NNP/MM)の最適化実装を提案する。
このアプローチは、小さな分子のようなシステムの一部をNNPを用いてモデル化し、残りのシステムにMMを用いて効率を向上する。
これにより, シミュレーション速度を5倍に向上し, 複合体毎の1マイクロ秒の同時サンプリングを実現し, この種のシミュレーションで報告された最長のシミュレーションとなった。
論文 参考訳（メタデータ） (2022-01-20T10:57:20Z) - Computing molecular excited states on a D-Wave quantum annealer [52.5289706853773]
分子系の励起電子状態の計算にD波量子アニールを用いることを実証する。
これらのシミュレーションは、太陽光発電、半導体技術、ナノサイエンスなど、いくつかの分野で重要な役割を果たしている。
論文 参考訳（メタデータ） (2021-07-01T01:02:17Z) - Quantum-Classical Hybrid Algorithm for the Simulation of All-Electron
Correlation [58.720142291102135]
本稿では、分子の全電子エネルギーと古典的コンピュータ上の特性を計算できる新しいハイブリッド古典的アルゴリズムを提案する。
本稿では,現在利用可能な量子コンピュータ上で,化学的に関連性のある結果と精度を実現する量子古典ハイブリッドアルゴリズムの能力を実証する。
論文 参考訳（メタデータ） (2021-06-22T18:00:00Z) - 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) - Microcanonical and finite temperature ab initio molecular dynamics
simulations on quantum computers [0.0]
Ab initio molecular dynamics (AIMD) は、分子および凝縮物質系の特性を予測する強力なツールである。
エネルギーと力の期待値の測定に関連する統計的ノイズを緩和するための解決策を提供する。
また, 常温, 常温, 動的シミュレーションのためのLangevin dynamicsアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-08-18T20:24:27Z)
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。