論文の概要: Data Efficient Prediction of excited-state properties using Quantum Neural Networks
- arxiv url: http://arxiv.org/abs/2412.09423v1
- Date: Thu, 12 Dec 2024 16:30:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-13 13:29:28.008087
- Title: Data Efficient Prediction of excited-state properties using Quantum Neural Networks
- Title(参考訳): 量子ニューラルネットワークを用いた励起状態特性の効率的な予測
- Authors: Manuel Hagelüken, Marco F. Huber, Marco Roth,
- Abstract要約: 分子基底状態から励起状態特性を予測する量子機械学習モデルを提案する。
提案手法は完全にNISQ互換である。
本手法は古典的特徴のみに依存する様々な古典的モデルよりも優れていることを示す。
- 参考スコア(独自算出の注目度): 4.7436936193373604
- License:
- Abstract: Understanding the properties of excited states of complex molecules is crucial for many chemical and physical processes. Calculating these properties is often significantly more resource-intensive than calculating their ground state counterparts. We present a quantum machine learning model that predicts excited-state properties from the molecular ground state for different geometric configurations. The model comprises a symmetry-invariant quantum neural network and a conventional neural network and is able to provide accurate predictions with only a few training data points. The proposed procedure is fully NISQ compatible. This is achieved by using a quantum circuit that requires a number of parameters linearly proportional to the number of molecular orbitals, along with a parameterized measurement observable, thereby reducing the number of necessary measurements. We benchmark the algorithm on three different molecules by evaluating its performance in predicting excited state transition energies and transition dipole moments. We show that, in many instances, the procedure is able to outperform various classical models that rely solely on classical features.
- Abstract(参考訳): 複雑な分子の励起状態の性質を理解することは、多くの化学的および物理的過程において重要である。
これらの性質の計算は、基底状態の計算よりも資源集約的であることが多い。
本稿では,分子基底状態から励起状態特性を予測する量子機械学習モデルを提案する。
このモデルは、対称性に不変な量子ニューラルネットワークと従来のニューラルネットワークで構成されており、数個のトレーニングデータポイントで正確な予測を提供することができる。
提案手法は完全にNISQ互換である。
これは、分子軌道の数に線形に比例した多くのパラメータを必要とする量子回路と、パラメータ化測定観測が可能なため、必要な測定回数を減らすことで達成される。
本アルゴリズムは,励起状態遷移エネルギーと遷移双極子モーメントの予測において,その性能を評価することによって,3つの異なる分子上でベンチマークを行う。
多くの場合、この手順は古典的特徴にのみ依存する様々な古典的モデルよりも優れていることを示す。
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) - Demonstration of a variational quantum eigensolver with a solid-state spin system under ambient conditions [15.044543674753308]
量子シミュレータは、物理系の量子的性質を利用して別の物理系を研究する能力を提供する。
変分量子固有解法アルゴリズムは分子電子構造の研究に特に有望な応用である。
スピンベースの固体量子ビットは、長いデコヒーレンス時間と高忠実度量子ゲートの利点がある。
論文 参考訳(メタデータ) (2024-07-23T09:17:06Z) - Learning quantum properties from short-range correlations using multi-task networks [3.7228085662092845]
相関長が一定である多体量子状態の様々な量子特性を予測できるニューラルネットワークモデルを提案する。
このモデルはマルチタスク学習の技術に基づいており、従来のシングルタスクアプローチよりもいくつかの利点があることを示す。
論文 参考訳(メタデータ) (2023-10-18T08:53:23Z) - Autoregressive Neural Quantum States with Quantum Number Symmetries [0.6215404942415159]
自己回帰サンプリングを任意の数の量子数対称性に適合させるフレームワークを開発する。
複数の対称性を持つ分子に対して電子構造計算を実行することにより、その利点を示す。
論文 参考訳(メタデータ) (2023-10-06T11:29:06Z) - Universality of critical dynamics with finite entanglement [68.8204255655161]
臨界近傍の量子系の低エネルギー力学が有限絡みによってどのように変化するかを研究する。
その結果、時間依存的臨界現象における絡み合いによる正確な役割が確立された。
論文 参考訳(メタデータ) (2023-01-23T19:23:54Z) - Measuring Quantum Entanglement from Local Information by Machine
Learning [10.161394383081145]
絡み合いは量子技術の発展における鍵となる性質である。
本稿では,局所ハミルトニアンの平衡状態と非平衡状態の絡み合いを測定するためのニューラルネットワーク支援プロトコルを提案する。
論文 参考訳(メタデータ) (2022-09-18T08:15:49Z) - Neural network enhanced measurement efficiency for molecular
groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。
ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文 参考訳(メタデータ) (2022-06-30T17:45:05Z) - Variational Adiabatic Gauge Transformation on real quantum hardware for
effective low-energy Hamiltonians and accurate diagonalization [68.8204255655161]
変分アダバティックゲージ変換(VAGT)を導入する。
VAGTは、現在の量子コンピュータを用いてユニタリ回路の変動パラメータを学習できる非摂動型ハイブリッド量子アルゴリズムである。
VAGTの精度は、RigettiおよびIonQ量子コンピュータ上でのシミュレーションと同様に、トラフ数値シミュレーションで検証される。
論文 参考訳(メタデータ) (2021-11-16T20:50:08Z) - 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) - State preparation and measurement in a quantum simulation of the O(3)
sigma model [65.01359242860215]
我々は,非線型O(3)シグマモデルの固定点が,格子サイトあたり2キュービットしか持たないスピンモデルの量子相転移付近で再現可能であることを示す。
本稿では,弱い結合状態と量子臨界状態の両方において,断熱的基底状態の準備が複雑になる結果を得るためにトロッター法を適用した。
非単位ランダム化シミュレーション法に基づく量子アルゴリズムの提案と解析を行う。
論文 参考訳(メタデータ) (2020-06-28T23:44:12Z)
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。