論文の概要: Neural Network Assisted Fermionic Compression Encoding: A Lossy-QSCI Framework for Scalable Quantum Chemistry Simulations

• arxiv url: http://arxiv.org/abs/2505.17846v1
• Date: Fri, 23 May 2025 13:00:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:34.084516
• Title: Neural Network Assisted Fermionic Compression Encoding: A Lossy-QSCI Framework for Scalable Quantum Chemistry Simulations
• Title（参考訳）: ニューラルネットワークによるフェルミオン圧縮符号化:スケーラブル量子化学シミュレーションのためのロスシーQSCIフレームワーク
• Authors: Yu-cheng Chen, Ronin Wu, M. H. Cheng, Min-Hsiu Hsieh,
• Abstract要約: 量子コンピューティングは、量子化学の多体シミュレーションに革命をもたらすが、そのポテンシャルは現在のデバイスにおける限られた量子ビットとノイズによって制限されている。 本稿では、ロッシー量子選択構成相互作用(Lossy-QSCI)フレームワークについて紹介する。 このフレームワークは、化学にインスパイアされた損失ランダム線形パイプラインとニューラルネットワークによるフェルミオン期待デコーダ(NN-FED)を統合する。
• 参考スコア（独自算出の注目度）: 11.823527250715971
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum computing promises to revolutionize many-body simulations for quantum chemistry, but its potential is constrained by limited qubits and noise in current devices. In this work, we introduce the Lossy Quantum Selected Configuration Interaction (Lossy-QSCI) framework, which combines a lossy subspace Hamiltonian preparation pipeline with a generic QSCI selection process. This framework integrates a chemistry-inspired lossy Random Linear Encoder (Chemical-RLE) with a neural network-assisted Fermionic Expectation Decoder (NN-FED). The RLE leverages fermionic number conservation to compress quantum states, reducing qubit requirements to O(N log M) for M spin orbitals and N electrons, while preserving crucial ground state information and enabling self-consistent configuration recovery. NN-FED, powered by a neural network trained with minimal data, efficiently decodes these compressed states, overcoming the measurement challenges common in the approaches of the traditional QSCI and its variants. Through iterative quantum sampling and classical post-processing, our hybrid method refines ground state estimates with high efficiency. Demonstrated on the C2 and LiH molecules, our framework achieves chemical accuracy with fewer qubits and basis states, paving a scalable pathway for quantum chemistry simulations on both near-term and fault-tolerant quantum hardware.
• Abstract（参考訳）: 量子コンピューティングは、量子化学の多体シミュレーションに革命をもたらすが、そのポテンシャルは現在のデバイスにおける限られた量子ビットとノイズによって制限されている。 本稿では、ロスシー量子選択構成相互作用(Lossy-QSCI)フレームワークを紹介し、損失の少ないサブスペースハミルトン準備パイプラインと一般的なQSCI選択プロセスを組み合わせる。 このフレームワークは、化学に着想を得たランダムリニアエンコーダ(Chemical-RLE)とニューラルネットワークを利用したフェルミオン期待デコーダ(NN-FED)を統合する。 RLEはフェルミオン数保存を利用して量子状態を圧縮し、Mスピン軌道とN電子の量子ビット要求をO(N log M)に還元し、重要な基底状態情報を保持し、自己整合的な構成回復を可能にする。 NN-FEDは、最小限のデータでトレーニングされたニューラルネットワークによって駆動され、圧縮された状態を効率的にデコードし、従来のQSCIとそのバリエーションのアプローチで一般的な測定課題を克服する。 繰り返し量子サンプリングと古典的後処理により,我々のハイブリッド手法は基底状態推定を高効率で洗練する。 C2分子とLiH分子を実証し、我々のフレームワークは、より少ない量子ビットと基底状態で化学的精度を達成し、短期およびフォールトトレラントな量子ハードウェア上での量子化学シミュレーションのためのスケーラブルな経路を創出する。

関連論文リスト

• Efficient Hamiltonian Simulation: A Utility Scale Perspective for Covalent Inhibitor Reactivity Prediction [0.25111276334134786]
  ノイズの多い中間スケール量子(NISQ)時代の量子コンピューティングアプリケーションは、今日の量子システムで実現可能なより浅い回路を生成するアルゴリズムを必要とする。 これは、分子系の固有の複雑さのため、量子化学の応用には特に困難である。 本稿では, 量子中心データ駆動R&Dフレームワークを用いた分子反応性予測の精度を維持しつつ, より大きな活性空間へのスケーリングを行うための系統的な回路縮小手法を示す。
  論文  参考訳（メタデータ） (2024-12-20T11:25:01Z)
• Demonstration of a variational quantum eigensolver with a solid-state spin system under ambient conditions [15.044543674753308]
  量子シミュレータは、物理系の量子的性質を利用して別の物理系を研究する能力を提供する。 変分量子固有解法アルゴリズムは分子電子構造の研究に特に有望な応用である。 スピンベースの固体量子ビットは、長いデコヒーレンス時間と高忠実度量子ゲートの利点がある。
  論文  参考訳（メタデータ） (2024-07-23T09:17:06Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• 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)
• Realizing Quantum Convolutional Neural Networks on a Superconducting Quantum Processor to Recognize Quantum Phases [2.1465372441653354]
  量子ニューラルネットワークは、ユニタリ演算、測定、フィードフォワードの約束を組み合わせることで、量子状態の特定の特徴を認識するように調整され、少ない測定とエラーを許容する。 我々は、7量子ビット超伝導量子プロセッサ上で量子畳み込みニューラルネットワーク(QCNN)を実現し、非ゼロ弦順序パラメータを特徴とするスピンモデルの対称性保護位相を同定する。 その結果,QCNNは有限忠実ゲート自体で構成されているにもかかわらず,用意された状態に対する弦順パラメータの直接測定よりも位相位相を高い忠実度で認識していることがわかった。
  論文  参考訳（メタデータ） (2021-09-13T12:32:57Z)
• An Algebraic Quantum Circuit Compression Algorithm for Hamiltonian Simulation [55.41644538483948]
  現在の世代のノイズの多い中間スケール量子コンピュータ(NISQ)は、チップサイズとエラー率に大きく制限されている。 我々は、自由フェルミオンとして知られる特定のスピンハミルトニアンをシミュレーションするために、量子回路を効率よく圧縮するために局所化回路変換を導出する。 提案した数値回路圧縮アルゴリズムは、後方安定に動作し、$mathcalO(103)$スピンを超える回路合成を可能にするスピンの数で3次スケールする。
  論文  参考訳（メタデータ） (2021-08-06T19:38:03Z)
• On exploring the potential of quantum auto-encoder for learning quantum systems [60.909817434753315]
  そこで我々は,古典的な3つのハードラーニング問題に対処するために,QAEに基づく効果的な3つの学習プロトコルを考案した。 私たちの研究は、ハード量子物理学と量子情報処理タスクを達成するための高度な量子学習アルゴリズムの開発に新たな光を当てています。
  論文  参考訳（メタデータ） (2021-06-29T14:01:40Z)
• Towards a NISQ Algorithm to Simulate Hermitian Matrix Exponentiation [0.0]
  フォールトトレラントな量子コンピュータは、既知の古典的コンピュータよりも優れたアプリケーションを提供するので、楽しみにしている。 既に存在する、ノイズの多い中間スケール量子(NISQ)デバイスのパワーを活用して実現には何十年もかかるだろう。 本稿では、パラメタライズド量子回路を用いて、エルミタン行列指数をシミュレートする手法を報告する。
  論文  参考訳（メタデータ） (2021-05-28T06:37:12Z)
• Simulating quantum chemistry in the seniority-zero space on qubit-based quantum computers [0.0]
  計算量子化学の近似をゲートベースの量子コンピュータ上で分子化学をシミュレートする手法と組み合わせる。 基本集合を増大させるために解放された量子資源を用いることで、より正確な結果が得られ、必要な数の量子コンピューティングの実行が削減されることが示される。
  論文  参考訳（メタデータ） (2020-01-31T19:44:37Z)
• Entanglement Classification via Neural Network Quantum States [58.720142291102135]
  本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。 我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
  論文  参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。