論文の概要: Exploring Quantum Active Learning for Materials Design and Discovery
- arxiv url: http://arxiv.org/abs/2407.18731v1
- Date: Fri, 26 Jul 2024 13:34:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-29 13:21:06.416815
- Title: Exploring Quantum Active Learning for Materials Design and Discovery
- Title（参考訳）: 材料設計と発見のための量子アクティブラーニングの探求
- Authors: Maicon Pierre Lourenço, Hadi Zadeh-Haghighi, Jiří Hostaš, Mosayeb Naseri, Daya Gaur, Christoph Simon, Dennis R. Salahub,
- Abstract要約: 古典的アクティブラーニング(AL)を用いた材料発見のこれまでの研究を拡張して、ALフレームワーク(QAL)における量子アルゴリズムの利用を探求する。
提案したQALは、量子サポートベクトル回帰器(QSVR)または様々な量子カーネルと異なる特徴マップを備えた量子ガウスプロセス回帰器(QGPR)を使用する。
以上の結果から,QAL法は検索精度を向上するが,すべてではなく,データの粗さと相関していることが明らかとなった。
- 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: The meeting of artificial intelligence (AI) and quantum computing is already a reality; quantum machine learning (QML) promises the design of better regression models. In this work, we extend our previous studies of materials discovery using classical active learning (AL), which showed remarkable economy of data, to explore the use of quantum algorithms within the AL framework (QAL) as implemented in the MLChem4D and QMLMaterials codes. The proposed QAL uses quantum support vector regressor (QSVR) or a quantum Gaussian process regressor (QGPR) with various quantum kernels and different feature maps. Data sets include perovskite properties (piezoelectric coefficient, band gap, energy storage) and the structure optimization of a doped nanoparticle (3Al@Si11) chosen to compare with classical AL results. Our results revealed that the QAL method improved the searches in most cases, but not all, seemingly correlated with the roughness of the data. QAL has the potential of finding optimum solutions, within chemical space, in materials science and elsewhere in chemistry.
- Abstract（参考訳）: 人工知能(AI)と量子コンピューティングのミーティングはすでに現実的であり、量子機械学習(QML)はより良い回帰モデルの設計を約束している。
本研究では,古典的アクティブラーニング(AL)を用いた材料発見に関するこれまでの研究を拡張し,MLChem4DやQMLMaterialsのコードに実装されているALフレームワーク(QAL)における量子アルゴリズムの利用について検討する。
提案したQALは、量子サポートベクトル回帰器(QSVR)または様々な量子カーネルと異なる特徴マップを備えた量子ガウスプロセス回帰器(QGPR)を使用する。
データはペロブスカイト特性(圧電係数、バンドギャップ、エネルギー貯蔵)と古典的なAL値と比較するために選択されたドープナノ粒子(3Al@Si11)の構造最適化を含む。
以上の結果から,QAL法は検索精度を向上するが,すべてではなく,データの粗さと相関していることが明らかとなった。
QALは、物質科学やその他の化学分野において、化学空間内で最適な解を見つける可能性を秘めている。
関連論文リスト
- Quantum Active Learning [3.3202982522589934]
量子ニューラルネットワークのトレーニングは通常、教師付き学習のための実質的なラベル付きトレーニングセットを必要とする。
QALはモデルを効果的にトレーニングし、完全にラベル付けされたデータセットに匹敵するパフォーマンスを達成する。
我々は,QALがランダムサンプリングベースラインに乗じて負の結果を微妙な数値実験により解明する。
論文 参考訳（メタデータ） (2024-05-28T14:39:54Z) - Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。
どの場の量子スピードアップが達成できるかという新たな課題が生じる。
量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
論文 参考訳（メタデータ） (2024-02-26T09:32:07Z) - Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。
評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-26T18:23:21Z) - QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳（メタデータ） (2023-08-25T15:08:19Z) - Efficient VQE Approach for Accurate Simulations on the Kagome Lattice [0.0]
本研究は,カゴメ格子上で有効な変分量子固有解法(VQE)を作成するために,複数のアンサッツモデルを使用することに焦点を当てる。
様々な最適化手法を比較し,VQEアザッツモデルを最適化することにより,基底状態特性を高精度に推定する。
論文 参考訳（メタデータ） (2023-06-01T09:14:34Z) - QNEAT: Natural Evolution of Variational Quantum Circuit Architecture [95.29334926638462]
我々は、ニューラルネットワークの量子対する最も有望な候補として登場した変分量子回路(VQC)に注目した。
有望な結果を示す一方で、バレン高原、重みの周期性、アーキテクチャの選択など、さまざまな問題のために、VQCのトレーニングは困難である。
本稿では,VQCの重みとアーキテクチャの両方を最適化するために,自然進化にインスパイアされた勾配のないアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-14T08:03:20Z) - Quantum Imitation Learning [74.15588381240795]
本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。
量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。
実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
論文 参考訳（メタデータ） (2023-04-04T12:47:35Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳（メタデータ） (2022-11-23T18:25:32Z) - QKSA: Quantum Knowledge Seeking Agent -- resource-optimized
reinforcement learning using quantum process tomography [1.3946983517871423]
汎用人工知能の汎用強化学習(URL)エージェントモデルを量子環境に拡張する。
古典的な知識探索エージェントKL-KSAの効用関数は、量子情報理論からの距離測定に一般化される。
QKSAは、古典的なURLモデルに似たフレームワークの最初の提案である。
論文 参考訳（メタデータ） (2021-12-07T11:36:54Z) - Quantum agents in the Gym: a variational quantum algorithm for deep
Q-learning [0.0]
本稿では、離散的かつ連続的な状態空間に対するRLタスクを解くために使用できるパラメタライズド量子回路(PQC)のトレーニング手法を提案する。
量子Q学習エージェントのどのアーキテクチャ選択が、特定の種類の環境をうまく解決するのに最も重要であるかを検討する。
論文 参考訳（メタデータ） (2021-03-28T08:57:22Z) - Hybrid Quantum-Classical Graph Convolutional Network [7.0132255816377445]
本研究は、HEPデータを学習するためのハイブリッド量子古典グラフ畳み込みネットワーク(QGCNN)を提供する。
提案フレームワークは,パラメータ数の観点から,古典的多層パーセプトロンと畳み込みニューラルネットワークの優位性を示す。
テスト精度に関して、QGCNNは、同じHEPデータセット上の量子畳み込みニューラルネットワークと同等のパフォーマンスを示している。
論文 参考訳（メタデータ） (2021-01-15T16:02:52Z)
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。