論文の概要: Quantum and Hybrid Machine-Learning Models for Materials-Science Tasks

• arxiv url: http://arxiv.org/abs/2507.08155v1
• Date: Thu, 10 Jul 2025 20:29:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 18:03:54.166498
• Title: Quantum and Hybrid Machine-Learning Models for Materials-Science Tasks
• Title（参考訳）: 材料科学課題のための量子・ハイブリッド機械学習モデル
• Authors: Leyang Wang, Yilun Gong, Zongrui Pei,
• Abstract要約: 量子機械学習とハイブリッド量子古典モデルの設計と推定を行う。 マグネシウムを還元可能な積層断層エネルギーと溶質を予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum computing has become increasingly practical in solving real-world problems due to advances in hardware and algorithms. In this paper, we aim to design and estimate quantum machine learning and hybrid quantum-classical models in a few practical materials science tasks, i.e., predicting stacking fault energies and solutes that can ductilize magnesium. To this end, we adopt two different representative quantum algorithms, i.e., quantum support vector machines (QSVM) and quantum neural networks (QNN), and adjust them to our application scenarios. We systematically test the performance with respect to the hyperparameters of selected ansatzes. We identify a few combinations of hyperparameters that yield validation scores of approximately 90\% for QSVM and hybrid QNN in both tasks. Eventually, we construct quantum models with optimized parameters for regression and classification that predict targeted solutes based on the elemental volumes, electronegativities, and bulk moduli of chemical elements.
• Abstract（参考訳）: 量子コンピューティングは、ハードウェアやアルゴリズムの進歩により、現実の問題を解決するのにますます実用的になっている。 本稿では,マグネシウムを還元可能な積層欠陥エネルギーと溶質を予測し,量子機械学習とハイブリッド量子古典モデルの設計と推定を行う。 この目的のために、量子サポートベクトルマシン(QSVM)と量子ニューラルネットワーク(QNN)の2つの異なる代表量子アルゴリズムを採用し、アプリケーションシナリオに合わせて調整する。 選択したアンサツェのハイパーパラメータに関する性能を系統的に検証した。 両タスクにおいて、QSVMとハイブリッドQNNの検証スコアが約90%のハイパーパラメータの組み合わせを同定する。 最終的に, 分子量, 電子陰性度, および化学元素のバルク変調に基づいて, 標的溶質を予測できる回帰および分類のパラメータを最適化した量子モデルを構築した。

関連論文リスト

• Sequential Quantum Computing [41.94295877935867]
  本稿では、多種または異種量子プロセッサを利用したパラダイムであるシーケンシャル量子コンピューティング(SQC)を提案し、実験的に実証する。 SQCは、それぞれの相補的な強みを組み合わせることで、それぞれのタイプの量子コンピュータの限界を克服する。 これらの結果は、複雑な量子最適化問題に対処するための強力で汎用的なアプローチとしてSQCを強調している。
  論文  参考訳（メタデータ） (2025-06-25T17:51:29Z)
• RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [48.670876200492415]
  変分量子アルゴリズム(VQA)は、強力なノイズ中間スケール量子(NISQ)コンピュータを利用するための有望なアプローチである。 本稿では,量子混合状態の進化をモデルとしたQASアルゴリズムである$rho$DARTSを提案する。
  論文  参考訳（メタデータ） (2025-06-04T08:30:35Z)
• Differentiable Quantum Architecture Search in Quantum-Enhanced Neural Network Parameter Generation [4.358861563008207]
  量子ニューラルネットワーク(QNN)は、経験的にも理論的にも有望であることを示している。 ハードウェアの欠陥と量子デバイスへの限られたアクセスは、実用的な課題となる。 微分可能最適化を用いた自動解法を提案する。
  論文  参考訳（メタデータ） (2025-05-13T19:01:08Z)
• 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)
• 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)
• Non-unitary Coupled Cluster Enabled by Mid-circuit Measurements on Quantum Computers [37.69303106863453]
  本稿では,古典計算機における量子化学の柱である結合クラスタ(CC)理論に基づく状態準備法を提案する。 提案手法は,従来の計算オーバーヘッドを低減し,CNOTおよびTゲートの数を平均で28%,57%削減する。
  論文  参考訳（メタデータ） (2024-06-17T14:10:10Z)
• Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
  量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。 どの場の量子スピードアップが達成できるかという新たな課題が生じる。 量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
  論文  参考訳（メタデータ） (2024-02-26T09:32:07Z)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• QNEAT: Natural Evolution of Variational Quantum Circuit Architecture [95.29334926638462]
  我々は、ニューラルネットワークの量子対する最も有望な候補として登場した変分量子回路(VQC)に注目した。 有望な結果を示す一方で、バレン高原、重みの周期性、アーキテクチャの選択など、さまざまな問題のために、VQCのトレーニングは困難である。 本稿では,VQCの重みとアーキテクチャの両方を最適化するために,自然進化にインスパイアされた勾配のないアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-14T08:03:20Z)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• 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)
• Differentiable matrix product states for simulating variational quantum computational chemistry [6.954927515599816]
  本稿では,変分量子固有解法(VQE)の並列化可能な古典シミュレータを提案する。 我々のシミュレーターは量子回路の進化を古典的自己微分フレームワークにシームレスに統合する。 応用として、我々のシミュレーターを用いて、一般的なHF、LiH、H$Oなどの小分子と、最大40ドルの量子ビットを持つより大きな分子であるCO$$、BeH$、H$_4$を研究する。
  論文  参考訳（メタデータ） (2022-11-15T08:36:26Z)
• Copula-based Risk Aggregation with Trapped Ion Quantum Computers [1.541403735141431]
  コプラは、合同確率分布をモデル化するための数学的ツールである。 コプラを最大絡み合った量子状態として表現できることの最近の発見は、実用的な量子優位性に対する有望なアプローチを明らかにしている。 シミュレータと最先端のイオン量子コンピュータ上での回路設計と精度の異なるQCBMのトレーニングについて検討する。
  論文  参考訳（メタデータ） (2022-06-23T18:39:30Z)
• 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)

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。