論文の概要: Hybrid Quantum Neural Networks with Variational Quantum Regressor for Enhancing QSPR Modeling of CO2-Capturing Amine

• arxiv url: http://arxiv.org/abs/2503.00388v1
• Date: Sat, 01 Mar 2025 07:26:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:17:35.140187
• Title: Hybrid Quantum Neural Networks with Variational Quantum Regressor for Enhancing QSPR Modeling of CO2-Capturing Amine
• Title（参考訳）: 変分量子回帰器を用いたハイブリッド量子ニューラルネットワークによるCO2捕捉アミンのQSPRモデリング
• Authors: Hyein Cho, Jeonghoon Kim, Hocheol Lim,
• Abstract要約: 我々は,CO2捕捉アミンの構造-適合関係モデルを改善するために,ハイブリッド量子ニューラルネットワーク(HQNN)を開発した。 HQNNは、塩基性、粘性、沸点、融点、蒸気圧などの主要な溶媒特性の予測精度を向上させる。
• 参考スコア（独自算出の注目度）: 0.9968037829925945
• License:
• Abstract: Accurate amine property prediction is essential for optimizing CO2 capture efficiency in post-combustion processes. Quantum machine learning (QML) can enhance predictive modeling by leveraging superposition, entanglement, and interference to capture complex correlations. In this study, we developed hybrid quantum neural networks (HQNN) to improve quantitative structure-property relationship modeling for CO2-capturing amines. By integrating variational quantum regressors with classical multi-layer perceptrons and graph neural networks, quantum advantages were explored in physicochemical property prediction under noiseless conditions and robustness was evaluated against quantum hardware noise using IBM quantum systems. Our results showed that HQNNs improve predictive accuracy for key solvent properties, including basicity, viscosity, boiling point, melting point, and vapor pressure. The fine-tuned and frozen pre-trained HQNN models with 9 qubits consistently achieved the highest rankings, highlighting the benefits of integrating quantum layers with pre-trained classical models. Furthermore, simulations under hardware noise confirmed the robustness of HQNNs, maintaining predictive performance. Overall, these findings emphasize the potential of hybrid quantum-classical architectures in molecular modeling. As quantum hardware and QML algorithms continue to advance, practical quantum benefits in QSPR modeling and materials discovery are expected to become increasingly attainable, driven by improvements in quantum circuit design, noise mitigation, and scalable architectures.
• Abstract（参考訳）: 正確なアミン特性予測は, 燃焼後プロセスにおけるCO2捕捉効率の最適化に不可欠である。 量子機械学習(QML)は、重畳、絡み合い、干渉を利用して複雑な相関関係を捉えることにより予測モデリングを強化することができる。 本研究では,CO2捕捉アミンの量的構造-プロパティ関係モデルを改善するために,ハイブリッド量子ニューラルネットワーク(HQNN)を開発した。 変分量子回帰器を古典的多層パーセプトロンとグラフニューラルネットワークに統合することにより、ノイズレス条件下での物理化学的特性予測において量子優位性を探求し、IBM量子システムを用いた量子ハードウェアノイズに対してロバスト性を評価した。 その結果,HQNNは,塩基性,粘度,沸点,融点,蒸気圧などの主要な溶剤特性の予測精度を向上することがわかった。 9量子ビットを持つ微調整および凍結されたHQNNモデルは、常に最高ランクを獲得し、事前訓練された古典モデルと量子レイヤーを統合する利点を強調した。 さらに、ハードウェアノイズ下でのシミュレーションによりHQNNの堅牢性が確認され、予測性能が維持された。 これらの知見は、分子モデリングにおけるハイブリッド量子古典アーキテクチャの可能性を強調している。 量子ハードウェアとQMLアルゴリズムが進歩を続けるにつれ、QSPRモデリングと材料発見における実用的な量子的利点は、量子回路設計、ノイズ軽減、スケーラブルアーキテクチャの改善によって、ますます実現可能になることが期待されている。

関連論文リスト

• Quantum-enhanced neural networks for quantum many-body simulations [3.8145527526052576]
  本稿では、パラメータ化量子回路とニューラルネットワークを組み合わせて量子多体波動関数をモデル化する量子ニューラルハイブリッドフレームワークを提案する。 数値シミュレーションでは、スピン系と量子化学問題におけるハイブリッドアンサッツのスケーラビリティと精度が示されている。
  論文  参考訳（メタデータ） (2025-01-21T13:44:52Z)
• A Quantum Leaky Integrate-and-Fire Spiking Neuron and Network [0.0]
  量子ニューロモルフィックコンピューティングのための新しいソフトウェアモデルを導入する。 量子スパイクニューラルネットワーク(QSNN)と量子スパイク畳み込みニューラルネットワーク(QSCNN)の構築において,これらのニューロンを構築ブロックとして利用する。
  論文  参考訳（メタデータ） (2024-07-23T11:38:06Z)
• Multi-Scale Feature Fusion Quantum Depthwise Convolutional Neural Networks for Text Classification [3.0079490585515343]
  量子畳み込みに基づく新しい量子ニューラルネットワーク(QNN)モデルを提案する。 我々は、パラメータの数を著しく減らし、計算複雑性を下げる量子深度畳み込みを開発する。 また,単語レベルの特徴と文レベルの特徴を統合することで,モデル性能を向上させるマルチスケール機能融合機構を導入する。
  論文  参考訳（メタデータ） (2024-05-22T10:19:34Z)
• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• Studying the Impact of Quantum-Specific Hyperparameters on Hybrid Quantum-Classical Neural Networks [4.951980887762045]
  ハイブリッド量子古典ニューラルネットワーク(HQNN)は、古典的な機械学習の強みと量子コンピューティング能力を組み合わせた、有望なソリューションである。 本稿では,PennyLaneフレームワーク上に実装された画像分類タスクのHQNNモデルに対して,これらのバリエーションが与える影響について検討する。 我々は,HQNNモデルの直感的および直感的学習パターンを制御された量子摂動の粒度レベル内で明らかにし,精度とトレーニング時間との相関関係の健全な基盤を構築することを目的としている。
  論文  参考訳（メタデータ） (2024-02-16T11:44:25Z)
• 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)
• Potential energy surfaces inference of both ground and excited state using hybrid quantum-classical neural network [0.0]
  変分量子固有解器のシュロゲートモデリングのためのハイブリッド量子古典ニューラルネットワークが提案されている。 サブスペース探索型変分量子固有解法を用いて, 地中および励起状態のPSSを化学的精度で推定できるようにモデルを拡張した。
  論文  参考訳（メタデータ） (2022-12-06T14:28:44Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)

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。