論文の概要: Quantum Active Learning for Structural Determination of Doped Nanoparticles -- a Case Study of 4Al@Si$_{11}$
- arxiv url: http://arxiv.org/abs/2412.00504v1
- Date: Sat, 30 Nov 2024 15:03:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:42:14.641574
- Title: Quantum Active Learning for Structural Determination of Doped Nanoparticles -- a Case Study of 4Al@Si$_{11}$
- Title（参考訳）: ドープナノ粒子の構造決定のための量子アクティブラーニング -4Al@Si$_{11}$の場合-
- Authors: Maicon Pierre Lourenço, Mosayeb Naseri, Lizandra Barrios Herrera, Hadi Zadeh-Haghighi, Daya Gaur, Christoph Simon, Dennis R. Salahub,
- Abstract要約: ドープナノ粒子の自動構造決定のための量子アクティブラーニング(QAL)法を提案する。
提案したQAL法は4Al(4Al@Si$_11$)ドープSi$_11$の構造決定に応用した。
その結果、QAL法は最適4Al@Si$_11$構造を見つけることができることを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Active learning (AL) has been widely applied in chemistry and materials science. In this work we propose a quantum active learning (QAL) method for automatic structural determination of doped nanoparticles, where quantum machine learning (QML) models for regression are used iteratively to indicate new structures to be calculated by DFT or DFTB and this new data acquisition is used to retrain the QML models. The QAL method is implemented in the Quantum Machine Learning Software/Agent for Material Design and Discovery (QMLMaterial), whose aim is using an artificial agent (defined by QML regression algorithms) that chooses the next doped configuration to be calculated that has a higher probability of finding the optimum structure. The QAL uses a quantum Gaussian process with a fidelity quantum kernel as well as the projected quantum kernel and different quantum circuits. For comparison, classical AL was used with a classical Gaussian process with different classical kernels. The presented QAL method was applied in the structural determination of doped Si$_{11}$ with 4 Al (4Al@Si$_{11}$) and the results indicate the QAL method is able to find the optimum 4Al@Si$_{11}$ structure. The aim of this work is to present the QAL method -- formulated in a noise-free quantum computing framework -- for automatic structural determination of doped nanoparticles and materials defects.
- Abstract（参考訳）: アクティブラーニング(AL)は化学や材料科学に広く応用されている。
本研究では,DFTやDFTBによって計算される新しい構造を示すために,量子機械学習(QML)モデルを反復的に使用し,新しいデータ取得を用いてQMLモデルを再学習する,ドープナノ粒子の自動構造決定のための量子アクティブラーニング(QAL)手法を提案する。
The QAL method is implemented in the Quantum Machine Learning Software/Agent for Material Design and Discovery (QMLMaterial) which aim is using a Artificial agent (QML回帰アルゴリズムで定義される) which choose the next doped configuration that has high likely to find the optimum structure。
QALは、量子カーネルと異なる量子回路と共に、忠実な量子カーネルを持つ量子ガウス過程を使用する。
比較のために、古典的ALは異なる古典的カーネルを持つ古典的ガウス過程で使われた。
提案したQAL法は,4Al(4Al@Si$_{11}$)をドープしたSi$_{11}$の構造決定に応用し,QAL法が最適4Al@Si$_{11}$構造を見いだせることを示す。
本研究の目的は、ドープナノ粒子と材料欠陥の自動構造決定のためのQAL法(ノイズフリー量子コンピューティングフレームワークで定式化された)を提案することである。
関連論文リスト
- Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか?
我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。
我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - Exploring Quantum Active Learning for Materials Design and Discovery [0.0]
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。
論文 参考訳（メタデータ） (2024-07-26T13:34:26Z) - 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) - Benchmarking the Variational Quantum Eigensolver using different quantum
hardware [0.0]
変分量子固有解法(VQE)は化学応用のための有望な量子アルゴリズムである。
VQEを用いて水素分子のシミュレーションを行い、超伝導とイオントラップ量子コンピュータを比較した。
論文 参考訳（メタデータ） (2023-05-11T18:56:07Z) - 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) - 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) - Multiclass classification using quantum convolutional neural networks
with hybrid quantum-classical learning [0.5999777817331318]
本稿では,量子畳み込みニューラルネットワークに基づく量子機械学習手法を提案する。
提案手法を用いて,MNISTデータセットの4クラス分類を,データエンコーディングの8つのキュービットと4つのアクニラキュービットを用いて実証する。
この結果から,学習可能なパラメータの数に匹敵する古典的畳み込みニューラルネットワークによる解の精度が示された。
論文 参考訳（メタデータ） (2022-03-29T09:07:18Z) - Scalable Variational Quantum Circuits for Autoencoder-based Drug
Discovery [8.871042314510788]
変分オートエンコーダは、既存の分子データセットに基づいて化学空間を探索するコンピュータ支援設計手法の1つである。
本稿では,創薬分子を同時に再構成・サンプリングするためのスケーラブルな量子生成オートエンコーダ(SQ-VAE)と,それに対応するバニラ変種(SQ-AE)について述べる。
論文 参考訳（メタデータ） (2021-11-15T00:26:19Z) - Quantum Approximate Optimization Algorithm Based Maximum Likelihood
Detection [80.28858481461418]
量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。
量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。
論文 参考訳（メタデータ） (2021-07-11T10:56:24Z) - Structural risk minimization for quantum linear classifiers [0.0]
qml(quantum machine learning)は、量子コンピューティングの短期的"キラーアプリケーション"の典型的な候補の1つとして注目される。
明示的および暗黙的量子線形分類器と呼ばれる2つの密接に関連したQMLモデルの容量測定を研究する。
我々は,QMLモデルで使用される観測値のランクとフロベニウスノルムが,モデルのキャパシティを密接に制御していることを確認した。
論文 参考訳（メタデータ） (2021-05-12T10:39:55Z) - On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。
また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文 参考訳（メタデータ） (2020-07-24T06:34:34Z)
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。