論文の概要: Quantum-centric machine learning for molecular dynamics

• arxiv url: http://arxiv.org/abs/2511.07771v1
• Date: Wed, 12 Nov 2025 01:16:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.470037
• Title: Quantum-centric machine learning for molecular dynamics
• Title（参考訳）: 分子動力学のための量子中心機械学習
• Authors: Yanxian Tao, Lingyun Wan, Xiongzhi Zeng, Yingdi Jin, Jie Liu, Zhenyu Li, Jinlong Yang,
• Abstract要約: ab initio法は、あらゆる核配置における電子状態の自己一貫性の最適化を必要とする。 量子中心機械学習(QCML)モデルを導入する。 トランスフォーマーを様々な分子のデータセットで事前訓練することにより、QCMLは分子記述子とPQCパラメータ間の転送可能なマッピングを学習する。
• 参考スコア（独自算出の注目度）: 9.147935750042352
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and efficient prediction of electronic wavefunctions is central to ab initio molecular dynamics (AIMD) and electronic structure theory. However, conventional ab initio methods require self-consistent optimization of electronic states at every nuclear configuration, leading to prohibitive computational costs, especially for large or strongly correlated systems. Here, we introduce a quantum-centric machine learning (QCML) model-a hybrid quantum-classical framework that integrates parameterized quantum circuits (PQCs) with Transformer-based machine learning to directly predict molecular wavefunctions and quantum observables. By pretraining the Transformer on a diverse dataset of molecules and ansatz types and subsequently fine-tuning it for specific systems, QCML learns transferable mappings between molecular descriptors and PQC parameters, eliminating the need for iterative variational optimization. The pretrained model achieves chemical accuracy in potential energy surfaces, atomic forces, and dipole moments across multiple molecules and ansatzes, and enables efficient AIMD simulations with infrared spectra prediction. This work establishes a scalable and transferable quantum-centric machine learning paradigm, bridging variational quantum algorithms and modern deep learning for next-generation molecular simulation and quantum chemistry applications.
• Abstract（参考訳）: 電子波動関数の高精度かつ効率的な予測は、アブ初期分子動力学(AIMD)と電子構造理論の中心である。 しかし、従来のab initio法では、あらゆる核配置における電子状態の自己一貫性の最適化が必要であり、特に大規模または強相関系の計算コストが禁じられている。 本稿では、パラメータ化量子回路(PQC)とTransformerベースの機械学習を統合し、分子波動関数や量子可観測性を直接予測する量子中心機械学習(QCML)モデルを提案する。 トランスフォーマーを分子とアザッツ型の多様なデータセットで事前訓練し、その後特定のシステム向けに微調整することで、QCMLは分子記述子とPQCパラメータ間のトランスフォーマブルマッピングを学習し、反復的変動最適化の必要性を排除した。 事前訓練されたモデルは、潜在的なエネルギー表面、原子間力、および複数の分子とアンサーゼにわたる双極子モーメントの化学的精度を達成し、赤外スペクトル予測による効率的なAIMDシミュレーションを可能にする。 この研究は、スケーラブルで転送可能な量子中心機械学習パラダイムを確立し、変分量子アルゴリズムをブリッジし、次世代の分子シミュレーションと量子化学応用のための現代のディープラーニングを実現する。

関連論文リスト

• How to use quantum computers for biomolecular free energies [2.7113856644674037]
  自由エネルギー計算は物理学に基づく生化学プロセスの分析の中心にある。 本稿では, サブストラクチャで得られた正確な量子力学データを, 機械学習による生体分子複合体全体のポテンシャルエネルギーに連続的に関連付ける方法を示す。
  論文  参考訳（メタデータ） (2025-06-25T16:27:36Z)
• Molecular Quantum Transformer [0.0]
  分子量子変換器(MQT)は、全ての構成の基底状態エネルギーを効率的に計算できる。 提案手法は, 既存の量子アルゴリズムの代替として, 基底状態エネルギーを推定する。
  論文  参考訳（メタデータ） (2025-03-27T16:54:15Z)
• Fast-forwarding molecular ground state preparation with optimal control on analog quantum simulators [0.0]
  電子動力学の最適制御は、化学的精度で分子基底状態を作成することができることを示す。 我々は、分子ハミルトニアンにすでに存在する相互作用の観点からのみ、分子進化の特定のパラメータ化を提案する。
  論文  参考訳（メタデータ） (2024-02-18T18:05:36Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Computing molecular excited states on a D-Wave quantum annealer [52.5289706853773]
  分子系の励起電子状態の計算にD波量子アニールを用いることを実証する。 これらのシミュレーションは、太陽光発電、半導体技術、ナノサイエンスなど、いくつかの分野で重要な役割を果たしている。
  論文  参考訳（メタデータ） (2021-07-01T01:02:17Z)
• Quantum-Classical Hybrid Algorithm for the Simulation of All-Electron Correlation [58.720142291102135]
  本稿では、分子の全電子エネルギーと古典的コンピュータ上の特性を計算できる新しいハイブリッド古典的アルゴリズムを提案する。 本稿では,現在利用可能な量子コンピュータ上で,化学的に関連性のある結果と精度を実現する量子古典ハイブリッドアルゴリズムの能力を実証する。
  論文  参考訳（メタデータ） (2021-06-22T18:00:00Z)
• Counteracting dephasing in Molecular Nanomagnets by optimized qudit encodings [60.1389381016626]
  分子ナノマグネットは、Quditベースの量子誤り訂正符号の実装を可能にする。 分子キューディットに符号化された量子情報を破損させるエラーの微視的理解が不可欠である。
  論文  参考訳（メタデータ） (2021-03-16T19:21:42Z)
• Simulating Energy Transfer in Molecular Systems with Digital Quantum Computers [8.271013526496906]
  量子コンピュータは、古典的なコンピュータの能力を超えた化学システムをシミュレートする可能性がある。 有機半導体分子のエネルギー移動をシミュレーションすることにより、化学の短期量子シミュレーションを時間依存プロセスに拡張する。 提案手法は, 化学, 生物, 物質系の量子力学を量子コンピュータでモデル化する新たな機会を開く。
  論文  参考訳（メタデータ） (2021-01-18T05:08:05Z)

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。