論文の概要: Machine Learning Approach towards Quantum Error Mitigation for Accurate Molecular Energetics

• arxiv url: http://arxiv.org/abs/2504.07077v1
• Date: Wed, 09 Apr 2025 17:49:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-10 13:05:51.862859
• Title: Machine Learning Approach towards Quantum Error Mitigation for Accurate Molecular Energetics
• Title（参考訳）: 分子エネルギーの高精度化のための量子エラー軽減のための機械学習アプローチ
• Authors: Srushti Patil, Dibyendu Mondal, Rahul Maitra,
• Abstract要約: 我々は,誤り軽減技術の実現に向けて,グラフニューラルネットワークと回帰ベース機械学習(ML)アーキテクチャを考案した。 いくつかの強い相関を持つ分子に対する予測エネルギーの桁違いの改善を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Despite significant efforts, the realization of the hybrid quantum-classical algorithms has predominantly been confined to proof-of-principles, mainly due to the hardware noise. With fault-tolerant implementation being a long-term goal, going beyond small molecules with existing error mitigation (EM) techniques with current noisy intermediate scale quantum (NISQ) devices has been a challenge. That being said, statistical learning methods are promising approaches to learning the noise and its subsequent mitigation. We devise a graph neural network and regression-based machine learning (ML) architecture for practical realization of EM techniques for molecular Hamiltonian without the requirement of the exponential overhead. Given the short coherence time of the quantum hardware, the ML model is trained with either ideal or mitigated expectation values over a judiciously chosen ensemble of shallow sub-circuits adhering to the native hardware architecture. The hardware connectivity network is mapped to a directed graph which encodes the information of the native gate noise profile to generate the features for the neural network. The training data is generated on-the-fly during ansatz construction thus removing the computational overhead. We demonstrate orders of magnitude improvements in predicted energy over a few strongly correlated molecules.
• Abstract（参考訳）: 大きな努力にもかかわらず、ハイブリッド量子古典アルゴリズムの実現は、主にハードウェアノイズのために、原則の証明に限られている。 フォールトトレラントの実装が長期的目標であることから、現在のノイズの多い中間スケール量子(NISQ)デバイスを持つ既存のエラー緩和(EM)技術を持つ小さな分子を超えることが課題となっている。 とはいえ、統計的学習手法は、ノイズとそのその後の緩和を学習するための有望なアプローチである。 指数的オーバーヘッドを必要とせず,分子ハミルトニアンのためのEM技術を実用化するためのグラフニューラルネットワークと回帰ベース機械学習(ML)アーキテクチャを考案する。 量子ハードウェアのコヒーレンス時間が短いことを前提として、MLモデルは、ネイティブハードウェアアーキテクチャに固執する浅いサブ回路の並外れた選択されたアンサンブルに対して、理想的または緩和的な期待値でトレーニングされる。 ハードウェア接続ネットワークは、ネイティブゲートノイズプロファイルの情報を符号化してニューラルネットワークの機能を生成する有向グラフにマッピングされる。 トレーニングデータは、アンザッツ構築中にオンザフライで生成され、計算オーバーヘッドが除去される。 いくつかの強い相関を持つ分子に対する予測エネルギーの桁違いの改善を示す。

関連論文リスト

• Physics-inspired Machine Learning for Quantum Error Mitigation [15.243176527806126]
  量子エラー除去のための機械学習のための物理に着想を得たニューラルネットワークであるNNAS(Neural Noise Accumulation Surrogate)を紹介する。 NNASは多層回路に量子ノイズ蓄積の構造的特徴を取り入れ、物理的解釈性を持つモデルを提供する。 QEM法が通常苦労する深い回路では、NNASはエラーを半分以上削減する。
  論文  参考訳（メタデータ） (2025-01-08T15:07:48Z)
• 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)
• Hybrid Quantum Graph Neural Network for Molecular Property Prediction [0.17747993681679466]
  我々は,ペロブスカイト材料の形成エネルギーを予測するために,自由ハイブリッド量子勾配古典畳み込みグラフニューラルネットワークを開発した。 我々の研究は、量子特徴符号化とパラメトリック量子回路が複雑な機械学習アルゴリズムを劇的に改善する方法を探求する新たな道筋を示唆している。
  論文  参考訳（メタデータ） (2024-05-08T16:43:25Z)
• Projective Quantum Eigensolver via Adiabatically Decoupled Subsystem Evolution: a Resource Efficient Approach to Molecular Energetics in Noisy Quantum Computers [0.0]
  我々は,ノイズ中間スケール量子(NISQ)ハードウェアを用いて,分子系の基底状態エネルギーを正確に計算することを目的とした射影形式を開発した。 本研究では,将来の耐故障システムにおいて,必要な精度を同時に確保しながら,ノイズ下での優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-13T13:27:40Z)
• Matrix product channel: Variationally optimized quantum tensor network to mitigate noise and reduce errors for the variational quantum eigensolver [0.0]
  我々は,情報的に完全な測定によって提供される量子古典的インタフェースを利用する手法を開発した。 量子ハードウェアと古典的ソフトウェアを併用するハイブリッド戦略は、純粋に古典的な戦略よりも優れていると我々は主張する。 このアルゴリズムは、薬物設計の文脈におけるタンパク質-リガンド複合体の量子ハードウェアシミュレーションにおける最後の後処理ステップとして適用することができる。
  論文  参考訳（メタデータ） (2022-12-20T13:03:48Z)
• Deep learning applied to computational mechanics: A comprehensive review, state of the art, and the classics [77.34726150561087]
  人工知能,特に深層学習(DL)の最近の進歩を概観する。 ハイブリッドおよび純粋機械学習(ML)の手法について論じる。 AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
  論文  参考訳（メタデータ） (2022-12-18T02:03:00Z)
• Accelerating the training of single-layer binary neural networks using the HHL quantum algorithm [58.720142291102135]
  Harrow-Hassidim-Lloyd (HHL) の量子力学的実装から有用な情報が抽出可能であることを示す。 しかし,本論文では,HHLの量子力学的実装から有用な情報を抽出し,古典的側面における解を見つける際の複雑性を低減することを目的としている。
  論文  参考訳（メタデータ） (2022-10-23T11:58:05Z)
• Simulating the Mott transition on a noisy digital quantum computer via Cartan-based fast-forwarding circuits [62.73367618671969]
  動的平均場理論(DMFT)は、ハバードモデルの局所グリーン関数をアンダーソン不純物のモデルにマッピングする。 不純物モデルを効率的に解くために、量子およびハイブリッド量子古典アルゴリズムが提案されている。 この研究は、ノイズの多いデジタル量子ハードウェアを用いたMott相転移の最初の計算を提示する。
  論文  参考訳（メタデータ） (2021-12-10T17:32:15Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Generative machine learning with tensor networks: benchmarks on near-term quantum computers [0.0]
  テンソルネットワーク(TN)の観点から,NISQデバイス上での量子支援機械学習(QAML)について検討する。 特に、古典的手法を用いてTNベースのQAMLモデルを設計、最適化するためのフレームワークをレイアウトし、量子ハードウェア上で動作させるためにこれらのモデルをコンパイルする。 本稿では,MPS QAMLモデルの性能を評価するための正確なベンチマーク問題と,標準MNIST手書き桁データセットへの適用について述べる。
  論文  参考訳（メタデータ） (2020-10-07T20:33:34Z)
• 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。