論文の概要: A Transferable Machine Learning Approach to Predict Optimized Orbitals for Electronic Structure Problems

• arxiv url: http://arxiv.org/abs/2605.04174v1
• Date: Tue, 05 May 2026 18:12:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.476364
• Title: A Transferable Machine Learning Approach to Predict Optimized Orbitals for Electronic Structure Problems
• Title（参考訳）: 電子構造問題に対する最適軌道予測のための伝達可能な機械学習手法
• Authors: Lucas van der Horst, Maniraman Periyasamy, Abhishek Y. Dubey, Davide Bincoletto, Jakob S. Kottmann, Daniel D. Scherer,
• Abstract要約: 変分量子固有解法は、量子ハードウェア上での基底状態エネルギー計算にかなりの可能性を秘めている。 本稿では,分子構造と対結合構造から直接,最適化された軌道係数を予測するグラフニューラルネットワークフレームワークを提案する。 我々のモデルは平均絶対エネルギー誤差$mathcalO(102)$と$mathcalO$ milli-Hartreesに達する。
• 参考スコア（独自算出の注目度）: 0.49259062564301753
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Variational quantum eigensolver ansätze hold considerable promise for ground-state energy calculations on near-term quantum hardware, yet most promising ansatz designs currently strongly depend on how well the molecular orbital basis captures the electronic correlation of the system. Computing optimized orbital coefficients via classical routines is computationally expensive and must be performed independently for each molecular geometry -- a bottleneck that limits scalability across chemical space. We present a graph neural network framework that predicts optimized orbital coefficients directly from molecular geometry and pair-wise bonding structure. Trained on hydrogenic systems of modest size ($H_4$ and $H_6$) across tens of thousands of geometries, our model transfers to larger, unseen systems ($H_8$, $H_{10}$ and $H_{12}$) without retraining -- demonstrating strong out-of-distribution generalization with respect to system size. When evaluating on structured and random configurations, and comparing against energies obtained with full classical optimization, our model reaches mean absolute energy errors $\mathcal{O}(10^2)$ and $\mathcal{O}(10)$ milli-Hartrees, respectively. Beyond energy estimation, the predicted orbitals serve as high-quality warm-start initializations that substantially reduce optimizer iterations to ground-state energy convergence. These results establish graph neural networks as an effective and scalable strategy for accelerating orbital optimization in hybrid quantum-classical workflows, directly reducing the classical pre-processing overhead that currently limits the practical deployment of variational quantum eigensolver on near-term quantum hardware.
• Abstract（参考訳）: 変分量子固有解法 ansätze は、近未来の量子ハードウェア上での基底状態エネルギー計算にかなりの期待を持っているが、最も有望なアンザッツの設計は、現在、分子軌道基底が系の電子的相関をどれだけ正確に捉えるかに強く依存している。 古典的なルーチンによる最適化された軌道係数の計算は計算に高価であり、各分子幾何学において独立して行う必要がある。 本稿では,分子構造と対結合構造から直接,最適化された軌道係数を予測するグラフニューラルネットワークフレームワークを提案する。 数万の測地をまたいだ水素系 (H_4$, $H_6$) で訓練されたモデルでは, 再訓練をせずに, より大きく, 見えない系 (H_8$, $H_{10}$, $H_{12}$) に転移する。 構造的およびランダムな構成を評価し、全古典的最適化で得られるエネルギーと比較すると、平均絶対エネルギー誤差は$\mathcal{O}(10^2)$と$\mathcal{O}(10)$ milli-Hartreesに達する。 エネルギー推定以外にも、予測軌道は高品質なウォームスタート初期化として機能し、基底状態のエネルギー収束に最適化の繰り返しを著しく還元する。 これらの結果は、ハイブリッド量子古典ワークフローにおいて、軌道最適化を加速するための効果的でスケーラブルな戦略としてグラフニューラルネットワークを確立し、現在、変動量子固有解器の短期量子ハードウェアへの実践的展開を制限する古典的な前処理オーバーヘッドを直接削減する。

関連論文リスト

• SpinGQE: A Generative Quantum Eigensolver for Spin Hamiltonians [42.007194397302825]
  基底状態探索は量子コンピューティングの中心である。 我々は、生成量子固有ソルバフレームワークをスピンハミルトニアンに拡張したSpinGQEを提案する。 我々は、低エネルギー状態を生成する量子回路について学ぶために、トランスフォーマーベースのデコーダを用いる。
  論文  参考訳（メタデータ） (2026-03-25T13:38:15Z)
• Efficient Simulation of Pre-Born-Oppenheimer Dynamics on a Quantum Computer [0.39146761527401436]
  アルゴリズムは、Born-Oppenheimer分子ハミルトニアンをブロックエンコードする最も優れたクラス効率を達成する。 我々は、科学的および工業的な化学反応のシリーズについて、我々のアプローチをベンチマークする。
  論文  参考訳（メタデータ） (2026-02-11T19:00:03Z)
• Entanglement-minimized orbitals enable faster quantum simulation of molecules [1.7042264000899534]
  スピン適応行列積状態(MPS)を用いたエンタングルメント最小化軌道(EMO)を見つけるための効率的な古典的アルゴリズムを提案する。 提案アルゴリズムは,4つの鉄を含む鉄硫黄クラスターに対する事前の軌道最適化手法に対して,ほぼ1桁の精度で初期状態の重なりを向上する。 以上の結果から,これらの課題に対する初期状態の準備には,従来の推定値よりもはるかに少ないリソースが必要であることが示唆された。
  論文  参考訳（メタデータ） (2025-06-16T11:49:20Z)
• Large-scale quantum annealing simulation with tensor networks and belief propagation [0.0]
  3つの正則グラフに対する量子アニールは1000量子ビットと5000000量子ビットゲートのスケールでも古典的にシミュレートできることを示す。 非退化インスタンスの場合、一意解は最後の縮小された単一量子状態から読み出すことができる。 MaxCutのような退化問題に対して、グラフテンソル-ネットワーク状態に対する近似的な測定シミュレーションアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2024-09-18T18:00:08Z)
• Scalable Imaginary Time Evolution with Neural Network Quantum States [0.0]
  ニューラルネットワーク量子状態(NQS)としての量子波関数の表現は、多体量子系の基底状態を見つけるための強力な変分アンサッツを提供する。 我々は、計量テンソルの計算をバイパスするアプローチを導入し、代わりにユークリッド計量を用いた一階降下にのみ依存する。 我々は,NQSのエネルギーが減少するまで最適な時間ステップを決定し,目標を固定し,適応的に安定させる。
  論文  参考訳（メタデータ） (2023-07-28T12:26:43Z)
• 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)
• Optimizing Electronic Structure Simulations on a Trapped-ion Quantum Computer using Problem Decomposition [41.760443413408915]
  量子リソースの最小化に重点を置いたエンドツーエンドパイプラインを,精度を維持しながら実験的に実証した。 密度行列埋め込み理論を問題分解法として、イオントラップ量子コンピュータを用いて、電子を凍結せずに10個の水素原子の環をシミュレートする。 我々の実験結果は、量子ハードウェア上で大きな分子を正確にシミュレートする問題分解の可能性の早期実証である。
  論文  参考訳（メタデータ） (2021-02-14T01:47:52Z)
• 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)
• Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
  VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。 どちらの手法もエネルギーと基底状態の優れた推定値を提供する。 勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-11-02T19:52:04Z)
• 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。