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 15:38:34.413869
- 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:
- 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
- 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) - 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) - 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) - 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) - Realization of arbitrary doubly-controlled quantum phase gates [62.997667081978825]
本稿では,最適化問題における短期量子優位性の提案に着想を得た高忠実度ゲートセットを提案する。
3つのトランペット四重項のコヒーレントな多レベル制御を編成することにより、自然な3量子ビット計算ベースで作用する決定論的連続角量子位相ゲートの族を合成する。
論文 参考訳（メタデータ） (2021-08-03T17:49:09Z) - 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) - 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) - Quantum-Inspired Algorithms from Randomized Numerical Linear Algebra [53.46106569419296]
我々は、リコメンダシステムと最小二乗回帰のためのクエリをサポートする古典的な(量子でない)動的データ構造を作成する。
これらの問題に対する以前の量子インスパイアされたアルゴリズムは、レバレッジやリッジレベレッジスコアを偽装してサンプリングしていると我々は主張する。
論文 参考訳（メタデータ） (2020-11-09T01:13:07Z) - 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。