Fugu-MT 論文翻訳(概要): Accelerating Parameter Initialization in Quantum Chemical Simulations via LSTM-FC-VQE

論文の概要: Accelerating Parameter Initialization in Quantum Chemical Simulations via LSTM-FC-VQE

arxiv url: http://arxiv.org/abs/2505.10842v1
Date: Fri, 16 May 2025 04:19:00 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-19 14:36:14.064553
Title: Accelerating Parameter Initialization in Quantum Chemical Simulations via LSTM-FC-VQE
Title（参考訳）: LSTM-FC-VQEによる量子化学シミュレーションにおけるパラメータ初期化の高速化
Authors: Ran-Yu Chang, Yu-Cheng Lin, Pei-Che Hsu, Tsung-Wei Huang, En-Jui Kuo,
Abstract要約: 我々はLong Short-Term Memory Neural Networkを用いて量子化学シミュレーションを高速化する。 LSTMを小さな分子から最適化されたパラメータで訓練することにより、モデルはより大きなシステムに対する高品質な初期化を予測することを学ぶ。
参考スコア（独自算出の注目度）: 5.396660696277483
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a meta-learning framework that leverages Long Short-Term Memory (LSTM) neural networks to accelerate parameter initialization in quantum chemical simulations using the Variational Quantum Eigensolver (VQE). By training the LSTM on optimized parameters from small molecules, the model learns to predict high-quality initializations for larger systems, reducing the number of required VQE iterations. Our enhanced LSTM-FC-VQE architecture introduces a fully connected layer, improving adaptability across molecules with varying parameter sizes. Experimental results show that our approach achieves faster convergence and lower energy errors than traditional initialization, demonstrating its practical potential for efficient quantum simulations in the NISQ era.
Abstract（参考訳）: 本稿では,Long Short-Term Memory (LSTM) ニューラルネットワークを用いて量子化学シミュレーションにおけるパラメータ初期化を高速化するメタラーニングフレームワークを提案する。 LSTMを小さな分子から最適化されたパラメータで訓練することにより、モデルはより大きなシステムの高品質な初期化を予測することを学び、必要なVQEイテレーションの数を減らす。我々の拡張LSTM-FC-VQEアーキテクチャは、完全に連結された層を導入し、パラメータサイズが異なる分子間の適応性を改善した。実験により,本手法は従来の初期化よりも高速な収束と低エネルギー誤差を実現し,NISQ時代の効率的な量子シミュレーションの実用化の可能性を示した。

関連論文リスト

Learning to Learn with Quantum Optimization via Quantum Neural Networks [1.7819574476785418]
量子ニューラルネットワーク,特にQuantum Long Short-Term Memory(QLSTM)を組み合わせた量子メタ学習フレームワークを導入する。我々のアプローチは、より大きくより複雑な問題に急速に一般化し、収束に必要なイテレーションの数を大幅に減らします。
論文参考訳（メタデータ） (2025-05-01T14:39:26Z)
Toward Practical Quantum Machine Learning: A Novel Hybrid Quantum LSTM for Fraud Detection [0.1398098625978622]
本稿では,不正検出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アーキテクチャを提案する。重畳や絡み合いなどの量子現象を活用することで、我々のモデルはシーケンシャルトランザクションデータの特徴表現を強化する。その結果,従来のLSTMベースラインと比較して,精度,精度,リコール,F1スコアの競争力の向上が示された。
論文参考訳（メタデータ） (2025-04-30T19:09:12Z)
Federated Quantum-Train Long Short-Term Memory for Gravitational Wave Signal [3.360429911727189]
本稿では,QT(Quantum-Train)方法論とLong Short-Term Memory(LSTM)ネットワークを組み合わせた新しいフレームワークであるFederated QT-LSTMについて述べる。トレーニング中に量子ニューラルネットワーク(QNN)を利用して古典的なLSTMモデルパラメータを生成することで、このフレームワークはモデル圧縮、スケーラビリティ、計算効率の課題を効果的に解決する。
論文参考訳（メタデータ） (2025-03-20T11:34:13Z)
Q-MAML: Quantum Model-Agnostic Meta-Learning for Variational Quantum Algorithms [4.525216077859531]
モデル非依存メタラーニング(MAML)技術にインスパイアされた古典的手法を用いて,パラメータ化量子回路(PQC)を最適化するための新しいフレームワークを提案する。我々のフレームワークはLearnerと呼ばれる古典的なニューラルネットワークを備えており、Learnerの出力を初期パラメータとしてPQCと相互作用する。適応フェーズでは、学習者は変わらないまま、より正確な値に収束するために、いくつかのPQC更新しか必要としない。
論文参考訳（メタデータ） (2025-01-10T12:07:00Z)
Quantum Kernel-Based Long Short-term Memory for Climate Time-Series Forecasting [0.24739484546803336]
本稿では,量子カーネル法を従来のLSTMアーキテクチャに統合したQK-LSTM(Quantum Kernel-Based Long short-Memory)ネットワークを提案する。 QK-LSTMは、トレーニング可能なパラメータが少ない複雑な非線形依存と時間ダイナミクスをキャプチャする。
論文参考訳（メタデータ） (2024-12-12T01:16:52Z)
Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
論文参考訳（メタデータ） (2024-11-13T12:03:39Z)
Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
論文参考訳（メタデータ） (2023-12-21T21:40:47Z)
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)
A self-consistent field approach for the variational quantum eigensolver: orbital optimization goes adaptive [52.77024349608834]
適応微分組立問題集合型アンザッツ変分固有解法(ADAPTVQE)における自己一貫したフィールドアプローチ(SCF)を提案する。このフレームワークは、短期量子コンピュータ上の化学系の効率的な量子シミュレーションに使用される。
論文参考訳（メタデータ） (2022-12-21T23:15:17Z)
Symmetric Pruning in Quantum Neural Networks [111.438286016951]
量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
論文参考訳（メタデータ） (2022-08-30T08:17:55Z)
Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。どちらの手法もエネルギーと基底状態の優れた推定値を提供する。勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
論文参考訳（メタデータ） (2020-11-02T19:52:04Z)

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。