論文の概要: A Transferable Machine Learning Approach to Predict Quantum Circuit Parameters for Electronic Structure Problems

• arxiv url: http://arxiv.org/abs/2511.03726v1
• Date: Wed, 05 Nov 2025 18:59:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.526108
• Title: A Transferable Machine Learning Approach to Predict Quantum Circuit Parameters for Electronic Structure Problems
• Title（参考訳）: 電子構造問題に対する量子回路パラメータ予測のための伝達可能な機械学習手法
• Authors: Davide Bincoletto, Korbinian Stein, Jonas Motyl, Jakob S. Kottmann,
• Abstract要約: この研究は、異なる分子間の伝達可能性を含む機械学習に基づくモデリング戦略を探求する。 我々は、よく研究された量子回路設計を用いて、水素系のモデル特性に適用し、トレーニングインスタンスよりもはるかに大きなインスタンスに体系的に転送可能なパラメータ予測を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The individual optimization of quantum circuit parameters is currently one of the main practical bottlenecks in variational quantum eigensolvers for electronic systems. To this end, several machine learning approaches have been proposed to mitigate the problem. However, such method predominantly aims at training and predicting parameters tailored to individual molecules: either a specific structure, or several structures of the same molecule with varying bond lengths. This work explores machine learning based modeling strategies to include transferability between different molecules. We use a well investigated quantum circuit design and apply it to model properties of hydrogenic systems where we show parameter prediction that is systematically transferable to instances significantly larger than the training instances.
• Abstract（参考訳）: 量子回路パラメータの個別最適化は、現在、電子系における変分量子固有解法の主要な実用的ボトルネックの1つである。 この目的のために、この問題を軽減するためにいくつかの機械学習アプローチが提案されている。 しかし、この手法は主に個々の分子に合わせたパラメータ(特定の構造か、結合長の異なる同じ分子のいくつかの構造)を訓練し、予測することを目的としている。 この研究は、異なる分子間の伝達可能性を含む機械学習に基づくモデリング戦略を探求する。 我々は、よく研究された量子回路設計を用いて、水素系のモデル特性に適用し、トレーニングインスタンスよりもはるかに大きなインスタンスに体系的に転送可能なパラメータ予測を示す。

関連論文リスト

• De Novo Design of Protein-Binding Peptides by Quantum Computing [44.99833362998488]
  我々は、原子的に解決された予測のために古典的および量子コンピューティングを統合するマルチスケールフレームワークを導入する。 D-Wave量子アニールは、実験とよく相関する一次構造と結合ポーズを持つ化学的に多様なバインダーの集合を急速に生成する。
  論文  参考訳（メタデータ） (2025-03-07T14:31:14Z)
• Data Efficient Prediction of excited-state properties using Quantum Neural Networks [4.7436936193373604]
  分子基底状態から励起状態特性を予測する量子機械学習モデルを提案する。 このモデルは、対称性不変の量子ニューラルネットワークと、従来のニューラルネットワークとから構成される。 わずかなトレーニングデータポイントだけで正確な予測を提供することができる。
  論文  参考訳（メタデータ） (2024-12-12T16:30:23Z)
• Physical consequences of Lindbladian invariance transformations [44.99833362998488]
  我々は、対称性変換を自分自身で活用し、実用的な物理的タスクを最適化できることを示す。 特に,エネルギーと情報と環境との交換に関して,物理量の測定可能な値を変更する方法を示す。
  論文  参考訳（メタデータ） (2024-07-02T18:22:11Z)
• Ab-initio variational wave functions for the time-dependent many-electron Schrödinger equation [41.94295877935867]
  平均場近似を超越したフェルミオン時間依存波動関数に対する変動的アプローチを提案する。 ニューラルネットワークのパラメータ化によって拡張された時間依存のJastrow因子とバックフロー変換を使用します。 この結果は、時間進化を正確に捉え、相互作用する電子系の量子力学に関する洞察を与える、我々の変分的アプローチの能力を示している。
  論文  参考訳（メタデータ） (2024-03-12T09:37:22Z)
• Symmetry-invariant quantum machine learning force fields [0.0]
  我々は、データに着想を得た、広範囲な物理関連対称性の集合を明示的に組み込んだ量子ニューラルネットワークを設計する。 この結果から,分子力場生成は量子機械学習の枠組みを生かして著しく利益を得る可能性が示唆された。
  論文  参考訳（メタデータ） (2023-11-19T16:15:53Z)
• Exploring the phase structure of the multi-flavor Schwinger model with quantum computing [0.0]
  マルチフレーバーシュウィンガーモデルの位相構造を探索するために, 変分量子固有解法を提案する。 我々は,我々のアンザッツ回路がモデルの位相構造を捉えることができ,基底状態を忠実に近似させることができることを数値的に示す。 提案手法は,現在の中間規模量子ハードウェアに適しており,既存の量子デバイスで容易に実装可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-23T15:16:41Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Multi-task learning for electronic structure to predict and explore molecular potential energy surfaces [39.228041052681526]
  我々はOrbNetモデルを洗練し、分子のエネルギー、力、その他の応答特性を正確に予測する。 このモデルは、すべての電子構造項に対する解析的勾配の導出により、エンドツーエンドで微分可能である。 ドメイン固有の特徴を用いることにより、化学空間をまたいで移動可能であることが示されている。
  論文  参考訳（メタデータ） (2020-11-05T06:48:46Z)

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。