論文の概要: Leveraging Machine Learning to Overcome Limitations in Quantum Algorithms
- arxiv url: http://arxiv.org/abs/2412.11405v1
- Date: Mon, 16 Dec 2024 03:14:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-17 17:58:04.259088
- Title: Leveraging Machine Learning to Overcome Limitations in Quantum Algorithms
- Title（参考訳）: 量子アルゴリズムの限界を克服する機械学習の活用
- Authors: Laia Coronas Sala, Parfait Atchade-Adelemou,
- Abstract要約: 本研究は,機械学習(ML)と量子アルゴリズムを組み合わせたハイブリッドフレームワークを提案する。
PubChemの分子特性を用いて,3つのデータセット(ケミカルディスクリプタ,クーロンマトリックス,ハイブリッド組み合わせ)を調製した。
XGBは4.41 pm 11.18%$で、RF(5.56 pm 11.66%$)とLGBM(5.32 pm 12.87%$)を上回った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum Computing (QC) offers outstanding potential for molecular characterization and drug discovery, particularly in solving complex properties like the Ground State Energy (GSE) of biomolecules. However, QC faces challenges due to computational noise, scalability, and system complexity. This work presents a hybrid framework combining Machine Learning (ML) techniques with quantum algorithms$-$Variational Quantum Eigensolver (VQE), Hartree-Fock (HF), and Quantum Phase Estimation (QPE)$-$to improve GSE predictions for large molecules. Three datasets (chemical descriptors, Coulomb matrices, and a hybrid combination) were prepared using molecular features from PubChem. These datasets trained XGBoost (XGB), Random Forest (RF), and LightGBM (LGBM) models. XGB achieved the lowest Relative Error (RE) of $4.41 \pm 11.18\%$ on chemical descriptors, outperforming RF ($5.56 \pm 11.66\%$) and LGBM ($5.32 \pm 12.87\%$). HF delivered exceptional precision for small molecules ($0.44 \pm 0.66\% RE$), while a near-linear correlation between GSE and molecular electron count provided predictive shortcuts. This study demonstrates that integrating QC and ML enhances scalability for molecular energy predictions and lays the foundation for scaling QC molecular simulations to larger systems.
- Abstract（参考訳）: 量子コンピューティング(QC)は、特に生体分子の基底状態エネルギー(GSE)のような複雑な性質を解く際に、分子特性や薬物発見に優れた可能性をもたらす。
しかし、QCは計算ノイズ、スケーラビリティ、システムの複雑さといった問題に直面している。
本研究は、機械学習(ML)技術と量子アルゴリズムを組み合わせたハイブリッドフレームワークを、大規模分子のGSE予測を改善するために、VQE(Variational Quantum Eigensolver)、HF(Hartree-Fock)、量子位相推定(Quantum Phase Estimation、QPE)で提供する。
PubChemの分子特性を用いて,3つのデータセット(ケミカルディスクリプタ,クーロンマトリックス,ハイブリッド組み合わせ)を調製した。
これらのデータセットはXGBoost(XGB)、Random Forest(RF)、LightGBM(LGBM)モデルをトレーニングした。
XGB は RF (5.56 \pm 11.66\%$) と LGBM (5.32 \pm 12.87\%$) を上回り、化学記述子に対して 4.41 \pm 11.18\%$ の最小相対誤差 (RE) を達成した。
HFは小さな分子に対して例外的な精度(0.44 \pm 0.66\% RE$)を提供し、GSEと分子電子数とのほぼ直線的な相関は予測的ショートカットを提供した。
本研究では,QCとMLの統合により分子エネルギー予測のスケーラビリティが向上し,QC分子シミュレーションを大規模システムに拡張する基盤となることを示す。
関連論文リスト
- Ensemble Knowledge Distillation for Machine Learning Interatomic Potentials [34.82692226532414]
機械学習原子間ポテンシャル(MLIP)は、原子論シミュレーションと分子特性予測を加速するための有望なツールである。
MLIPの品質は、利用可能なトレーニングデータの量と、そのデータを生成するのに使用される量子化学(QC)レベルの理論に依存する。
本研究では,エネルギーのみのデータセットに学習した際のMLIP精度を向上させるために,アンサンブル知識蒸留(EKD)法を提案する。
論文 参考訳（メタデータ） (2025-03-18T14:32:51Z) - Variational Quantum Imaginary Time Evolution for Matrix Product State Ansatz with Tests on Transcorrelated Hamiltonians [11.985673663540688]
マトリックス生成物状態(MPS)アンザッツは、分子ハミルトンの基底状態を見つけるための有望なアプローチを提供する。
本稿では,変分量子想像時間進化(VarQITE)手法を用いて,QCMPSアンサッツの最適化性能を向上させる。
論文 参考訳（メタデータ） (2024-07-15T08:28:52Z) - $\nabla^2$DFT: A Universal Quantum Chemistry Dataset of Drug-Like Molecules and a Benchmark for Neural Network Potentials [35.949502493236146]
この研究は、nablaDFTをベースにした$nabla2$DFTと呼ばれる新しいデータセットとベンチマークを提示している。
分子構造の2倍、コンフォーメーションの3倍、新しいデータタイプとタスク、最先端のモデルを含んでいる。
$nabla2$DFTは、大量の薬物様分子の緩和軌道を含む最初のデータセットである。
論文 参考訳（メタデータ） (2024-06-20T14:14:59Z) - A combined quantum-classical method applied to material design:
optimization and discovery of photochromic materials for photopharmacology
applications [3.82551683121998]
量子化学シミュレーション、機械学習技術、最適化計算の統合は、物質発見を加速することが期待されている。
一般古典ハミルトニアンの励起状態を計算するための計算基底変分量子デフレ法(cVQD)を併用した量子古典計算法を開発した。
実量子デバイス上のcVQDは,シミュレータ上での理想的な計算に匹敵する精度で結果を生成することを示す。
論文 参考訳（メタデータ） (2023-10-06T13:02:14Z) - Machine-learned molecular mechanics force field for the simulation of
protein-ligand systems and beyond [33.54862439531144]
生体分子シミュレーションとコンピュータ支援薬物設計には, 信頼性および分子力学(MM)力場の開発が不可欠である。
本稿では、一般化された機械学習型MM力場、ttexttespaloma-0.3、およびグラフニューラルネットワークを用いたエンドツーエンドの微分可能なフレームワークを紹介する。
力場は、小さな分子、ペプチド、核酸を含む薬物発見に非常に関係した化学ドメインの量子化学エネルギー特性を再現する。
論文 参考訳（メタデータ） (2023-07-13T23:00:22Z) - QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。
現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
論文 参考訳（メタデータ） (2023-06-15T23:39:07Z) - Exploring the scaling limitations of the variational quantum eigensolver
with the bond dissociation of hydride diatomic molecules [0.0]
強い相関電子を含む材料シミュレーションは、最先端の電子構造法に根本的な課題をもたらす。
変分量子固有解法アルゴリズムが化学的に正確な総エネルギーを予測できるという事実にもかかわらず、現実世界の応用に関連する大きさと複雑さの分子をシミュレーションした量子コンピュータは存在しない。
本稿では, 適切なTiH物理を捉えるために必要となるd軌道とUCCSDアンサッツの使用が, この問題のコストを劇的に高めることを示す。
論文 参考訳（メタデータ） (2022-08-15T19:21:17Z) - 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) - Chemistry beyond the Hartree-Fock limit via quantum computed moments [0.0]
我々は水素鎖分子系に対する量子計算モーメント(QCM)アプローチをH$_6$まで実装する。
その結果,QCM法の誤差抑制能力,特に後処理誤差軽減と組み合わせた場合の強い証拠が得られた。
ハミルトニアンおよび古典的な前処理ステップのより効率的な表現に重点を置いていると、より大規模なシステムを短期量子プロセッサ上で解ける可能性がある。
論文 参考訳（メタデータ） (2021-11-15T23:04:23Z) - Toward Practical Quantum Embedding Simulation of Realistic Chemical
Systems on Near-term Quantum Computers [10.26362298019201]
我々は,C6H8の水素化反応法とC18分子の平衡構造を,cc-pVDZに設定した上で数値的に検証した。
我々の研究は、短期量子デバイスにおける工業化学問題の解決の可能性を示している。
論文 参考訳（メタデータ） (2021-09-16T15:44:38Z) - 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)
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。