論文の概要: Towards Improved Quantum Machine Learning for Molecular Force Fields

• arxiv url: http://arxiv.org/abs/2505.03213v1
• Date: Tue, 06 May 2025 06:02:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.232122
• Title: Towards Improved Quantum Machine Learning for Molecular Force Fields
• Title（参考訳）: 分子力場のための量子機械学習の改善に向けて
• Authors: Yannick Couzinié, Shunsuke Daimon, Hirofumi Nishi, Natsuki Ito, Yusuke Harazono, Yu-ichiro Matsushita,
• Abstract要約: 分子力場を生成するための同変量子ニューラルネットワーク(QNN)。 本稿では,従来の研究に基づくQNNアーキテクチャについて考察し,原子環境のパラメトリゼーションにおける欠点を指摘する。 これらの欠点に対処する改良QNNアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study explores the use of equivariant quantum neural networks (QNN) for generating molecular force fields, focusing on the rMD17 dataset. We consider a QNN architecture based on previous research and point out shortcomings in the parametrization of the atomic environments, that limits its expressivity as an interatomic potential and precludes transferability between molecules. We propose a revised QNN architecture that addresses these shortcomings. While both QNNs show promise in force prediction, with the revised architecture showing improved accuracy, they struggle with energy prediction. Further, both QNNs architectures fail to demonstrate a meaningful scaling law of decreasing errors with increasing training data. These findings highlight the challenges of scaling QNNs for complex molecular systems and emphasize the need for improved encoding strategies, regularization techniques, and hybrid quantum-classical approaches.
• Abstract（参考訳）: 本研究は,分子力場生成における同変量子ニューラルネットワーク(QNN)の利用について検討し,rMD17データセットに着目した。 従来の研究に基づいてQNNアーキテクチャを考察し、原子環境のパラメトリゼーションにおける欠点を指摘し、その表現性を原子間ポテンシャルとして制限し、分子間の伝達性を阻害する。 これらの欠点に対処する改良QNNアーキテクチャを提案する。 どちらのQNNも力の予測では有望であるが、改良されたアーキテクチャでは精度が向上したが、エネルギーの予測には苦戦している。 さらに、両方のQNNアーキテクチャは、トレーニングデータの増加とともにエラーを減少させる有意義なスケーリング法則を示さない。 これらの知見は、複雑な分子系に対するQNNのスケーリングの課題を強調し、符号化戦略の改善、正規化技術、ハイブリッド量子古典的アプローチの必要性を強調している。

関連論文リスト

• The inherent convolution property of quantum neural networks [1.799933345199395]
  量子ニューラルネットワーク(QNN)は、量子コンピューティングとディープラーニングの先駆的な交差点である。 我々はQNNに固有の基本的な畳み込み特性を明らかにし、量子状態における量子ゲート演算の自然な並列性から導かれる。 本稿では,QNNの畳み込み特性を明示的に活用する新しいQCNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-04-11T12:30:17Z)
• Hybrid Quantum Neural Networks with Variational Quantum Regressor for Enhancing QSPR Modeling of CO2-Capturing Amine [0.9968037829925945]
  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。
  論文  参考訳（メタデータ） (2025-03-01T07:26:45Z)
• CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
  Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。 LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-08-28T00:56:03Z)
• From Graphs to Qubits: A Critical Review of Quantum Graph Neural Networks [56.51893966016221]
  量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフニューラルネットワーク(GNN)の新たな融合を表す。 本稿では,QGNNの現状を批判的にレビューし,様々なアーキテクチャを探求する。 我々は、高エネルギー物理学、分子化学、ファイナンス、地球科学など多種多様な分野にまたがる応用について論じ、量子的優位性の可能性を強調した。
  論文  参考訳（メタデータ） (2024-08-12T22:53:14Z)
• 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)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• 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)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)
• Toward Trainability of Quantum Neural Networks [87.04438831673063]
  量子ニューラルネットワーク(QNN)は、量子スピードアップを達成するために古典的ニューラルネットワークの一般化として提案されている。 QNNのトレーニングには、入力キュービット数に指数関数的に勾配速度がなくなるため、非常に大きなボトルネックが存在する。 木テンソルとステップ制御された構造を持つQNNを二分分類に適用し,ランダムな構造を持つQNNと比較してより高速な収束率と精度を示す。
  論文  参考訳（メタデータ） (2020-11-12T08:32:04Z)
• Absence of Barren Plateaus in Quantum Convolutional Neural Networks [0.0]
  量子畳み込みニューラルネットワーク(QCNN)が提案されている。 我々はQCNNアーキテクチャのパラメータの勾配スケーリングを厳格に分析する。
  論文  参考訳（メタデータ） (2020-11-05T16:46:13Z)

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。