Fugu-MT 論文翻訳(概要): Encoding molecular structures in quantum machine learning

論文の概要: Encoding molecular structures in quantum machine learning

arxiv url: http://arxiv.org/abs/2507.20422v1
Date: Sun, 27 Jul 2025 21:48:46 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-29 16:23:57.666183
Title: Encoding molecular structures in quantum machine learning
Title（参考訳）: 量子機械学習における分子構造の符号化
Authors: Choy Boy, Edoardo Altamura, Dilhan Manawadu, Ivano Tavernelli, Stefano Mensa, David J. Wales,
Abstract要約: 量子分子構造符号化(QMSE)は、ハイブリッドクーロン-アジャクエンシ行列として表される分子結合秩序と原子間カップリングをコードする。この戦略は, エンコードされた分子間の状態分離性を改善する上で, 効率的かつ解釈可能な方法であることを示す。我々は、このスケーラブルで解釈可能な符号化フレームワークが、分子データセットの実用的なQML応用の道を大きく拓くことを期待している。
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 machine learning (QML) has great potential for the analysis of chemical datasets. However, conventional quantum data-encoding schemes, such as fingerprint encoding, are generally unfeasible for the accurate representation of chemical moieties in such datasets. In this contribution, we introduce the quantum molecular structure encoding (QMSE) scheme, which encodes the molecular bond orders and interatomic couplings expressed as a hybrid Coulomb-adjacency matrix, directly as one- and two-qubit rotations within parameterised circuits. We show that this strategy provides an efficient and interpretable method in improving state separability between encoded molecules compared to other fingerprint encoding methods, which is especially crucial for the success in preparing feature maps in QML workflows. To benchmark our method, we train a parameterised ansatz on molecular datasets to perform classification of state phases and regression on boiling points, demonstrating the competitive trainability and generalisation capabilities of QMSE. We further prove a fidelity-preserving chain-contraction theorem that reuses common substructures to cut qubit counts, with an application to long-chain fatty acids. We expect this scalable and interpretable encoding framework to greatly pave the way for practical QML applications of molecular datasets.
Abstract（参考訳）: 量子機械学習(QML)は、化学データセットの分析において大きな可能性を秘めている。しかし、指紋符号化のような従来の量子データ符号化方式は、そのようなデータセットにおける化学のモエティの正確な表現には、一般的には不可能である。本稿では, 分子結合次数と分子間結合を, パラメータ化回路内の1および2量子回転として直接, ハイブリッドクーロン共役行列として表現する量子分子構造符号化(QMSE)方式を提案する。この戦略は,QMLワークフローにおける特徴マップ作成の成功に特に寄与する,他の指紋符号化法と比較して,符号化された分子間の状態分離性を改善するための効率的かつ解釈可能な方法であることを示す。提案手法をベンチマークするために,分子データセット上でパラメータ化アンサッツをトレーニングし,状態相の分類と沸点の回帰を行い,QMSEの競争的訓練性と一般化能力を示す。さらに、量子ビット数を削減するために共通部分構造を再利用し、長鎖脂肪酸に応用する忠実保存鎖抽出定理を証明した。我々は、このスケーラブルで解釈可能な符号化フレームワークが、分子データセットの実用的なQML応用の道を大きく拓くことを期待している。

関連論文リスト

Neural Network Assisted Fermionic Compression Encoding: A Lossy-QSCI Framework for Scalable Quantum Chemistry Simulations [11.823527250715971]
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。
論文参考訳（メタデータ） (2025-05-23T13:00:16Z)
Quantum QSAR for drug discovery [41.94295877935867]
量的構造-活性関係(QSAR)モデリングは、薬物発見の鍵となる。本研究では,量子支援ベクトルマシン(QSVM)によるQSAR技術の向上を提案する。量子データ符号化と量子カーネル関数を用いて,より正確かつ効率的な予測モデルの構築を目指す。
論文参考訳（メタデータ） (2025-05-06T17:58:33Z)
MolQAE: Quantum Autoencoder for Molecular Representation Learning [19.646000097585272]
MolQAEは完全な分子構造を利用する最初の量子オートエンコーダである。 MolQAEはパラメータ化された回転ゲートを用いてSMILES文字列を直接量子状態にマッピングする。
論文参考訳（メタデータ） (2025-05-03T17:36:47Z)
An Efficient Quantum Classifier Based on Hamiltonian Representations [50.467930253994155]
量子機械学習(QML)は、量子コンピューティングの利点をデータ駆動タスクに移行しようとする分野である。入力をパウリ弦の有限集合にマッピングすることで、データ符号化に伴うコストを回避できる効率的な手法を提案する。我々は、古典的および量子モデルに対して、テキストおよび画像分類タスクに対する我々のアプローチを評価する。
論文参考訳（メタデータ） (2025-04-13T11:49:53Z)
Continuous-Variable Quantum Encoding Techniques: A Comparative Study of Embedding Techniques and Their Impact on Machine Learning Performance [0.0]
連続変数量子コンピューティング(CVQC)と古典機械学習の交点について検討する。 CVQCに基づく符号化法は特徴表現性を著しく向上し,分類精度とF1スコアが向上した。量子表現可能性と古典的学習可能性のトレードオフを考察し、これらの量子符号化を現実のアプリケーションに組み込むことの現実的な実現可能性に関する洞察を提供する。
論文参考訳（メタデータ） (2025-04-09T00:00:45Z)
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)
Drastic Circuit Depth Reductions with Preserved Adversarial Robustness by Approximate Encoding for Quantum Machine Learning [0.5181797490530444]
本研究では, 変分, 遺伝的および行列積状態に基づくアルゴリズムを用いて, 符号化画像データを表す量子状態の効率的な作成法を実装した。その結果、これらの手法は、標準状態準備実装よりも2桁も浅い回路を用いて、QMLに適したレベルにほぼ準備できることが判明した。
論文参考訳（メタデータ） (2023-09-18T01:49:36Z)
Molecular Symmetry in VQE: A Dual Approach for Trapped-Ion Simulations of Benzene [0.2624902795082451]
変分量子固有解法(VQE)アルゴリズムと適切なアンサッツの併用による短期戦略のヒンジ。我々は、複雑な化学シミュレーションの実現可能性を高めるために、トラップイオン量子デバイスに適したいくつかの回路最適化手法を用いる。これらの手法はベンゼン分子シミュレーションに適用され、69個の2量子エンタングリング演算を持つ8量子回路の構築を可能にした。
論文参考訳（メタデータ） (2023-08-01T17:03:10Z)
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)
QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
論文参考訳（メタデータ） (2022-07-14T12:22:51Z)
Ansatz-Independent Variational Quantum Classifier [0.0]
可変量子分類器 (VQC) がよく知られたカーネル法に収まることを示す。また、与えられたユニタリ演算子に対して効率的な量子回路を設計するための変分回路実現法(VCR)を提案する。
論文参考訳（メタデータ） (2021-02-02T21:25:39Z)
OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted Atomic-Orbital Features [42.96944345045462]
textscOrbNetは、学習効率と転送可能性の観点から、既存のメソッドよりも優れています。薬物のような分子のデータセットに応用するために、textscOrbNetは1000倍以上の計算コストでDFTの化学的精度でエネルギーを予測する。
論文参考訳（メタデータ） (2020-07-15T22:38:41Z)

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。