Fugu-MT 論文翻訳(概要): Adapting Quantum Machine Learning for Energy Dissociation of Bonds

論文の概要: Adapting Quantum Machine Learning for Energy Dissociation of Bonds

arxiv url: http://arxiv.org/abs/2510.06563v1
Date: Wed, 08 Oct 2025 01:32:26 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-09 16:41:20.254919
Title: Adapting Quantum Machine Learning for Energy Dissociation of Bonds
Title（参考訳）: ボンドのエネルギー解離に対する量子機械学習の適用
Authors: Swathi Chandrasekhar, Shiva Raj Pokhrel, Navneet Singh,
Abstract要約: ボンドエネルギー予測のための量子および古典的機械学習モデルの比較ベンチマークを示す。トップパフォーマンス量子モデル(QCNN, QRF)は、古典的なアンサンブルやディープネットワークの予測精度と堅牢性に一致する。
参考スコア（独自算出の注目度）: 6.247064060111601
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate prediction of bond dissociation energies (BDEs) underpins mechanistic insight and the rational design of molecules and materials. We present a systematic, reproducible benchmark comparing quantum and classical machine learning models for BDE prediction using a chemically curated feature set encompassing atomic properties (atomic numbers, hybridization), bond characteristics (bond order, type), and local environmental descriptors. Our quantum framework, implemented in Qiskit Aer on six qubits, employs ZZFeatureMap encodings with variational ansatz (RealAmplitudes) across multiple architectures Variational Quantum Regressors (VQR), Quantum Support Vector Regressors (QSVR), Quantum Neural Networks (QNN), Quantum Convolutional Neural Networks (QCNN), and Quantum Random Forests (QRF). These are rigorously benchmarked against strong classical baselines, including Support Vector Regression (SVR), Random Forests (RF), and Multi-Layer Perceptrons (MLP). Comprehensive evaluation spanning absolute and relative error metrics, threshold accuracies, and error distributions shows that top-performing quantum models (QCNN, QRF) match the predictive accuracy and robustness of classical ensembles and deep networks, particularly within the chemically prevalent mid-range BDE regime. These findings establish a transparent baseline for quantum-enhanced molecular property prediction and outline a practical foundation for advancing quantum computational chemistry toward near chemical accuracy.
Abstract（参考訳）: 結合解離エネルギー(BDE)の正確な予測は、力学的な洞察と分子や物質の合理的な設計を支えている。原子特性(原子番号、ハイブリダイゼーション)、結合特性(結合順序、型)、局所環境記述子を含む化学的にキュレートされた特徴集合を用いて、BDE予測のための量子および古典的機械学習モデルを比較する。我々の量子フレームワークは、Qiskit Aerで6つの量子ビット上に実装され、ZZFeatureMapエンコーディングを使用し、複数のアーキテクチャにまたがる可変アンサッツ(RealAmplitudes)を符号化する。変分量子レグレッサ(VQR)、量子サポートベクトルレグレッサ(QSVR)、量子ニューラルネットワーク(QNN)、量子畳み込みニューラルネットワーク(QCNN)、量子ランダムフォレスト(QRF)。これらは、SVR(Support Vector Regression)、RF(Random Forests)、MLP(Multi-Layer Perceptrons)など、古典的な強力なベースラインに対して厳格にベンチマークされている。絶対的および相対的誤差メトリクス、しきい値の精度、および誤差分布の包括的評価は、特に化学的に普及している中距離BDE系において、古典的なアンサンブルとディープネットワークの予測精度とロバスト性に一致した最高性能量子モデル(QCNN、QRF)が示している。これらの知見は、量子化分子特性予測のための透明なベースラインを確立し、量子計算化学をほぼ正確に発展させるための実践的な基礎を概説する。

関連論文リスト

Quantum and Hybrid Machine-Learning Models for Materials-Science Tasks [0.0]
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。
論文参考訳（メタデータ） (2025-07-10T20:29:16Z)
QMoE: A Quantum Mixture of Experts Framework for Scalable Quantum Neural Networks [8.523710589195268]
量子機械学習(QML)は、ノイズの多い中間スケール量子(NISQ)時代に有望な方向として登場した。本稿では、エキスパート(MoE)パラダイムの混合をQML設定に統合する新しい量子アーキテクチャである、エキスパート(QMoE)の量子混合を提案する。私たちの研究は、スケーラブルで解釈可能な量子学習フレームワークの道を開いたものです。
論文参考訳（メタデータ） (2025-07-07T16:49:07Z)
Iterative Quantum Feature Maps [0.0]
量子回路を量子特徴写像(QFM)として活用する量子機械学習モデルは、学習タスクにおける表現力の向上によって認識される。実際の量子ハードウェアに深いQFMをデプロイすることは、回路ノイズとハードウェアの制約のため、依然として難しい。提案するIterative Quantum Feature Map (IQFMs)は,浅部QFMを古典的に計算された拡張重みで反復的に接続することにより,深いアーキテクチャを構築するハイブリッド量子古典的フレームワークである。
論文参考訳（メタデータ） (2025-06-24T09:40:10Z)
VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
論文参考訳（メタデータ） (2025-06-12T01:38:15Z)
RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
論文参考訳（メタデータ） (2025-06-04T08:30:35Z)
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)
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)
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)
Theory of Quantum Generative Learning Models with Maximum Mean Discrepancy [67.02951777522547]
量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
論文参考訳（メタデータ） (2022-05-10T08:05:59Z)
An Application of Quantum Machine Learning on Quantum Correlated Systems: Quantum Convolutional Neural Network as a Classifier for Many-Body Wavefunctions from the Quantum Variational Eigensolver [0.0]
最近提案された量子畳み込みニューラルネットワーク(QCNN)は、量子回路を使用するための新しいフレームワークを提供する。ここでは、一次元逆場イジングモデル(TFIM)に対する変分量子固有解器の波動関数によるQCNNのトレーニング結果を示す。 QCNNは、それから遠く離れた波動関数によって訓練されたとしても、量子臨界点の周りの波動関数の対応する位相を予測するために訓練することができる。
論文参考訳（メタデータ） (2021-11-09T12:08:49Z)
Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文参考訳（メタデータ） (2021-05-30T12:19:27Z)

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。