論文の概要: Materials Discovery With Quantum-Enhanced Machine Learning Algorithms

• arxiv url: http://arxiv.org/abs/2503.09517v1
• Date: Wed, 12 Mar 2025 16:27:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 21:17:52.852202
• Title: Materials Discovery With Quantum-Enhanced Machine Learning Algorithms
• Title（参考訳）: 量子強化機械学習アルゴリズムによる材料発見
• Authors: Ignacio F. Graña, Savvas Varsamopoulos, Tatsuhito Ando, Hiroyuki Maeshima, Nobuyuki N. Matsuzawa,
• Abstract要約: 量子強化機械学習アルゴリズムを用いて,低ホール再編成エネルギーを持つ新規ヘテロアセン構造を推定する。 我々は、以前の大規模仮想スクリーニングで生成された化学データを活用し、3つの初期訓練データセットを構築した。 符号化ビット数が増加するにつれて,予測化合物の品質が向上するのを観察する。
• 参考スコア（独自算出の注目度）: 0.3495246564946556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Materials discovery is a computationally intensive process that requires exploring vast chemical spaces to identify promising candidates with desirable properties. In this work, we propose using quantum-enhanced machine learning algorithms following the extremal learning framework to predict novel heteroacene structures with low hole reorganization energy $\lambda$, a key property for organic semiconductors. We leverage chemical data generated in a previous large-scale virtual screening to construct three initial training datasets containing 54, 99 and 119 molecules encoded using $N=7,16$ and 22 bits, respectively. Furthermore, a sequential learning process is employed to augment the initial training data with compounds predicted by the algorithms through iterative retraining. Both algorithms are able to successfully extrapolate to heteroacene structures with lower $\lambda$ than in the initial dataset, demonstrating good generalization capabilities even when the amount of initial data is limited. We observe an improvement in the quality of the predicted compounds as the number of encoding bits $N$ increases, which offers an exciting prospect for applying the algorithms to richer chemical spaces that require larger values of $N$ and hence, in perspective, larger quantum circuits to deploy the proposed quantum-enhanced protocols.
• Abstract（参考訳）: 材料発見は計算集約的なプロセスであり、望ましい性質を持つ有望な候補を特定するために広大な化学空間を探索する必要がある。 本研究では,有機半導体の重要な特性である低孔再編成エネルギー$\lambda$の新規ヘテロアセン構造を予測するために,エクストリームラーニングフレームワークに追従する量子強化機械学習アルゴリズムを提案する。 我々は,従来の大規模仮想スクリーニングで生成された化学データを活用し,54,99,119の分子をそれぞれ7,16ドル,22ビットで符号化した初期トレーニングデータセットを構築した。 さらに、逐次学習プロセスを用いて、反復的再訓練によりアルゴリズムによって予測される化合物を用いて、初期トレーニングデータを増強する。 両方のアルゴリズムは、初期データセットよりも$\lambda$の低いヘテロアセン構造への外挿に成功し、初期データが制限されている場合でも、優れた一般化能力を示す。 予測された化合物の品質は、符号化ビット数$N$の増加に伴って改善され、よりリッチな化学空間にアルゴリズムを適用するのにエキサイティングな期待がもたらされる。

関連論文リスト

• A Quantum Range-Doppler Algorithm for Synthetic Aperture Radar Image Formation [48.123217909844946]
  一般参照関数は、多くのSAR集中アルゴリズムにおいて重要な要素であり、量子ゲートにどのようにマッピングできるかを示す。 量子レンジ・ドップラーアルゴリズムのコアは計算複雑性が$O(N)$であり、従来のものより小さいことが分かる。
  論文  参考訳（メタデータ） (2025-04-29T14:24:23Z)
• Generating new coordination compounds via multireference simulations, genetic algorithms and machine learning: the case of Co(II) molecular magnets [41.94295877935867]
  本稿では,電子・磁気特性が望ましい新しい配位化合物の発見を加速する計算戦略を提案する。 我々のアプローチは、高スループットab initio法、遺伝的アルゴリズム、機械学習の組み合わせに基づいている。 本研究は,Co(II) 単核配位化合物の磁気特性を実験およびブライト力アブイニシアト法で測定した時間に記録し, 自動生成することで, このアプローチの効率を実証するものである。
  論文  参考訳（メタデータ） (2025-04-18T15:33:48Z)
• Robust Quantum Reservoir Computing for Molecular Property Prediction [0.5399129278613575]
  本稿では,潜在的な薬物分子の生物活性を予測するために,量子貯水池計算(QRC)手法を提案する。 データセットのサイズが小さくなるにつれて、より堅牢なQRC性能が観察される。 さらに、一様多様体近似と射影法を利用して、古典的特徴が量子力学によって変換されるときの構造変化を分析する。
  論文  参考訳（メタデータ） (2024-12-09T18:49:18Z)
• 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)
• Large-scale quantum reservoir learning with an analog quantum computer [45.21335836399935]
  我々は中性原子アナログ量子コンピュータの量子力学を利用してデータを処理する量子貯水池学習アルゴリズムを開発した。 アルゴリズムを実験的に実装し、機械学習タスクの様々なカテゴリで競合性能を達成する。 本研究は,従来の量子相関を有効機械学習に活用する可能性を示すものである。
  論文  参考訳（メタデータ） (2024-07-02T18:00:00Z)
• Classification of the Fashion-MNIST Dataset on a Quantum Computer [0.0]
  古典的なデータを量子コンピュータに符号化する従来の方法は、コストがかかりすぎて、現在のハードウェアで実現可能な実験の規模が制限される。 現在利用可能な量子コンピュータのネイティブゲートセットとトポロジに適合する回路を用いて、符号化されたデータを作成する改良された変分アルゴリズムを提案する。 我々は、現在の量子コンピュータibmq-kolkata上で、符号化データセットに基づいて訓練された単純な量子変分分類器をデプロイし、適度な精度を達成する。
  論文  参考訳（メタデータ） (2024-03-04T19:01:14Z)
• Variational quantum regression algorithm with encoded data structure [0.21756081703276003]
  量子状態が古典的データテーブルを直接エンコードする量子回帰アルゴリズムを構築する。 量子サブルーチンを通して、古典的なデータ構造のリンクを直接利用することができることを示す。
  論文  参考訳（メタデータ） (2023-07-07T00:30:16Z)
• Automatic and effective discovery of quantum kernels [41.61572387137452]
  量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。 本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。 その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
  論文  参考訳（メタデータ） (2022-09-22T16:42:14Z)
• 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)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Quantum Annealing Formulation for Binary Neural Networks [40.99969857118534]
  本研究では、リソース制約のあるデバイスを意図した軽量で強力なモデルであるバイナリニューラルネットワークについて検討する。 トレーニング問題に対する2次非制約バイナリ最適化の定式化を考案する。 問題は難解であり、すなわち、二分重みを推定するコストはネットワークサイズと指数関数的にスケールするが、どのようにして問題を量子アニール器に直接最適化できるかを示す。
  論文  参考訳（メタデータ） (2021-07-05T03:20:54Z)
• Fault-Tolerant Quantum Simulations of Chemistry in First Quantization [0.18374319565577155]
  化学のための2つの最初の量子化量子アルゴリズムを実装するのに必要な資源を分析し、最適化する。 我々の量子化アルゴリズムは、最高の第2の量子化アルゴリズムよりも数百万の平面波をシミュレートするために、表面コード時空の体積をはるかに少なくすることを示した。
  論文  参考訳（メタデータ） (2021-05-26T18:06:33Z)
• Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
  量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。 シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。 これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-09-28T17:21:25Z)

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。