論文の概要: Clifford augmented density matrix renormalization group for \textit{ab initio} quantum chemistry
- arxiv url: http://arxiv.org/abs/2506.16026v1
- Date: Thu, 19 Jun 2025 04:48:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-23 19:00:04.94227
- Title: Clifford augmented density matrix renormalization group for \textit{ab initio} quantum chemistry
- Title（参考訳）: クリフォード強化密度行列再正規化群による量子化学の研究
- Authors: Lizhong Fu, Honghui Shang, Jinlong Yang, Chu Guo,
- Abstract要約: 本稿では,CA-DMRGの量子化学ハミルトニアンに対する効率的な手法を提案する。
以上の結果から,CA-DMRGはDMRGよりも数桁高い精度で結合寸法を達成できることがわかった。
- 参考スコア（独自算出の注目度）: 3.632603573330658
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The recently proposed Clifford augmented density matrix renormalization group (CA-DMRG) method seamlessly integrates Clifford circuits with matrix product states, and takes advantage of the expression power from both. CA-DMRG has been shown to be able to achieve higher accuracy than standard DMRG on commonly used lattice models, with only moderate computational overhead compared to the latter. In this work, we propose an efficient scheme in CA-DMRG to deal with \textit{ab initio} quantum chemistry Hamiltonians, and apply it to study several molecular systems. Our numerical results show that CA-DMRG can reach several orders of magnitude higher accuracy than DMRG using the same bond dimension, pointing out a promising route to push the boundary of solving \textit{ab initio} quantum chemistry with strong static correlations.
- Abstract（参考訳）: 最近提案された Clifford augmented density matrix renormalization group (CA-DMRG) 法は, Clifford 回路を行列積状態とシームレスに統合し, 両者の表現力を利用する。
CA-DMRGは、一般的に使用される格子モデルにおいて標準のDMRGよりも高い精度を達成できることが示されている。
本研究では,CA-DMRGの量子化学ハミルトニアンに対する効率的な手法を提案し,いくつかの分子系の研究に応用する。
以上の結果から,CA-DMRGはDMRGよりも数桁高い精度が得られることが示唆され,強い静的相関を持つ量子化学の解法である「textit{ab initio}」の境界を推し進めるための有望な経路が指摘された。
関連論文リスト
- Wavefunction optimization at the complete basis set limit with Multiwavelets and DMRG [0.0]
マルチウェーブレットに基づくマルチレゾリューション解析(MRA)におけるDMRGの統合アルゴリズムを開発した。
我々は、MRA領域に代表される軌道に対する既存のラグランジアン最適化アルゴリズムを採用し、その計算効率を向上させる。
本手法をH2,He,HeH2,BeH2,N2などの小系に適用する。
論文 参考訳（メタデータ） (2025-03-13T18:59:03Z) - Pushing the Limits of Large Language Model Quantization via the Linearity Theorem [71.3332971315821]
本稿では,階層的$ell$再構成誤差と量子化によるモデルパープレキシティ増加との直接的な関係を確立する「線形定理」を提案する。
この知見は,(1)アダマール回転とHIGGSと呼ばれるMSE最適格子を用いた単純なデータフリーLCM量子化法,(2)非一様層ごとの量子化レベルを求める問題に対する最適解の2つの新しい応用を可能にする。
論文 参考訳（メタデータ） (2024-11-26T15:35:44Z) - A Fresh Look at Generalized Category Discovery through Non-negative Matrix Factorization [83.12938977698988]
Generalized Category Discovery (GCD) は、ラベル付きベースデータを用いて、ベース画像と新規画像の両方を分類することを目的としている。
現在のアプローチでは、コサイン類似性に基づく共起行列 $barA$ の固有の最適化に不適切に対処している。
本稿では,これらの欠陥に対処するNon-Negative Generalized Category Discovery (NN-GCD) フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T07:24:11Z) - Augmenting Density Matrix Renormalization Group with Clifford Circuits [0.49157446832511503]
本稿では,密度行列再正規化群アルゴリズムにおけるクリフォード回路のシームレスな積分について述べる。
このフレームワークは、現在のアプリケーションだけでなく、様々な数値的アプローチに容易に適応できる可能性にも有用である。
論文 参考訳（メタデータ） (2024-05-15T09:53:08Z) - Quantization of Large Language Models with an Overdetermined Basis [73.79368761182998]
本稿では,嘉心表現の原理に基づくデータ量子化アルゴリズムを提案する。
以上の結果から, カシ量子化はモデル性能の競争力や優れた品質を達成できることが示唆された。
論文 参考訳（メタデータ） (2024-04-15T12:38:46Z) - Neutron-nucleus dynamics simulations for quantum computers [49.369935809497214]
一般ポテンシャルを持つ中性子核シミュレーションのための新しい量子アルゴリズムを開発した。
耐雑音性トレーニング法により、ノイズの存在下でも許容される境界状態エネルギーを提供する。
距離群可換性(DGC)と呼ばれる新しい可換性スキームを導入し、その性能をよく知られたqubit-commutativityスキームと比較する。
論文 参考訳（メタデータ） (2024-02-22T16:33:48Z) - Geometric Clifford Algebra Networks [53.456211342585824]
本稿では,動的システムのモデリングのためのGeometric Clifford Algebra Networks (GCANs)を提案する。
GCANは幾何学的(クリフォード)代数を用いた対称性群変換に基づいている。
論文 参考訳（メタデータ） (2023-02-13T18:48:33Z) - Transcorrelated Density Matrix Renormalization Group [0.0]
強相関系に対するエネルギーの効率的な近似のための超相関密度行列正規化群(tcDMRG)理論を導入する。
tcDMRGは、固定ジャストロウまたはグッツウィラー相関器と行列積状態の積として波動関数を符号化する。
我々は, tcDMRGの高速エネルギー収束を実証し, tcDMRGが準一次元システムを超えて標準DMRGの効率を向上できることを示した。
論文 参考訳（メタデータ） (2020-09-05T23:20:14Z)
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。