Fugu-MT 論文翻訳(概要): Generative Quantum-inspired Kolmogorov-Arnold Eigensolver

論文の概要: Generative Quantum-inspired Kolmogorov-Arnold Eigensolver

arxiv url: http://arxiv.org/abs/2605.04604v1
Date: Wed, 06 May 2026 07:53:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-07 18:41:07.709565
Title: Generative Quantum-inspired Kolmogorov-Arnold Eigensolver
Title（参考訳）: 生成量子インスパイアされたコルモゴロフ-アルノルド固有溶媒
Abstract要約: 本稿では、量子化学のための生成量子インスパイアされたKolmogorov-Arnold固有溶媒(GQKAE)について述べる。 GQKAEは、GPT型生成固有解法におけるパラメータ重フィードフォワードネットワークコンポーネントを、ハイブリッド量子に着想を得たKolmogorov-Arnoldネットワークモジュールに置き換える。
参考スコア（独自算出の注目度）: 12.645057942348794
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: High-performance computing (HPC) is increasingly important for scalable quantum chemistry workflows that couple classical generative models, quantum circuit simulation, and selected configuration interaction postprocessing. We present the generative quantum-inspired Kolmogorov-Arnold eigensolver (GQKAE), a parameter-efficient extension of the generative quantum eigensolver (GQE) for quantum chemistry. GQKAE replaces the parameter-heavy feed-forward network components in GPT-style generative eigensolvers with hybrid quantum-inspired Kolmogorov-Arnold network modules, forming a compact HQKANsformer backbone. The method preserves autoregressive operator selection and the quantum-selected configuration interaction evaluation pipeline, while using single-qubit DatA Re-Uploading ActivatioN modules to provide expressive nonlinear mappings. Numerical benchmarks on H4, N2, LiH, C2H6, H2O, and the H2O dimer show that GQKAE achieves chemical accuracy comparable to the GPT-based GQE architecture, while reducing trainable parameters and memory by approximately 66% and improving wall-time performance. For strongly correlated systems such as N2 and LiH, GQKAE also improves convergence behavior and final energy errors. These results indicate that quantum-inspired Kolmogorov-Arnold networks can reduce classical-side overhead while preserving circuit-generation quality, offering a scalable route for HPC-quantum co-design on near-term quantum platforms.
Abstract（参考訳）: 高性能コンピューティング(HPC)は、古典的な生成モデル、量子回路シミュレーション、選択された構成相互作用後処理を組み合わせたスケーラブルな量子化学ワークフローにおいてますます重要になっている。本稿では、生成量子固有解法(GQE)のパラメータ効率拡張である生成量子インスパイアされたKolmogorov-Arnold固有解法(GQKAE)について述べる。 GQKAEは、GPT型生成固有解法におけるパラメータ重フィードフォワードネットワークコンポーネントを、ハイブリッド量子インスパイアされたKolmogorov-Arnoldネットワークモジュールに置き換え、コンパクトHQKANsformerバックボーンを形成する。単一キュービットのDatA再アップロードActivatioNモジュールを用いて、自己回帰演算子選択と量子選択された構成相互作用評価パイプラインを保存し、表現的非線形マッピングを提供する。 H4, N2, LiH, C2H6, H2Oダイマーの数値ベンチマークでは, GQKAEはGPTベースのGQEアーキテクチャに匹敵する化学的精度を達成し, トレーニング可能なパラメータとメモリを約66%削減し, 壁面時間性能を向上した。 N2 や LiH のような強い相関系では、GQKAE は収束挙動や最終的なエネルギー誤差も改善する。これらの結果は、量子に着想を得たコルモゴロフ・アルノルドネットワークが、回路生成品質を維持しながら古典的な側オーバーヘッドを低減し、短期量子プラットフォーム上でのHPC量子共設計のためのスケーラブルな経路を提供することを示している。

関連論文リスト

Parallel Multi-Circuit Quantum Feature Fusion in Hybrid Quantum-Classical Convolutional Neural Networks for Breast Tumor Classification [0.0]
本稿では、BreastMNISTデータセットのバイナリ分類のために設計されたハイブリッド量子古典畳み込みニューラルネットワーク(QCNN)アーキテクチャを提案する。この結果から, ハイブリッドQCNNアーキテクチャは, 絡み合いと量子的特徴融合を利用して, 医用画像分類タスクを強化することができることがわかった。
論文参考訳（メタデータ） (2025-11-29T17:47:14Z)
Quantum Variational Activation Functions Empower Kolmogorov-Arnold Networks [33.03489665216646]
変分量子回路(VQC)は量子機械学習の中心である。コルモゴロフ・アルノルドネットワーク(KAN)の最近の進歩は、学習可能なアクティベーション関数のパワーを強調している。本稿では,DARUAN(DatA Re-Uploading ActivatioNs)と呼ばれる単一キュービットデータ再ロード回路によって実現された量子変動活性化関数(QVAF)を紹介する。
論文参考訳（メタデータ） (2025-09-17T14:28:42Z)
Qumode-Based Variational Quantum Eigensolver for Molecular Excited States [43.148034499498586]
分子励起状態を計算するためのハイブリッド量子古典アルゴリズムであるQumode Subspace Variational Quantum Eigensolver (QSS-VQE)を紹介する。本研究では, ジヒドロゲンおよびシトシンの円錐交差を含む分子励起状態のシミュレーションによるQSS-VQEの性能を示す。
論文参考訳（メタデータ） (2025-09-05T00:53:51Z)
VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
論文参考訳（メタデータ） (2025-06-12T01:38:15Z)
Bridging Quantum and Classical Computing in Drug Design: Architecture Principles for Improved Molecule Generation [0.3683202928838613]
分子発見のための生成逆数ネットワーク(GAN)の量子古典的ブリッジアーキテクチャを体系的に最適化する。我々の最適化モデル(BO-QGAN)は、従来の量子ハイブリッドベンチマークよりも2.27倍高い薬物候補スコア(DCS)を達成することで、性能を著しく向上させる。この研究は、ハイブリッドモデルに対する実証的な基礎的なアーキテクチャガイドラインを初めて提供し、現在の量子コンピュータを製薬研究パイプラインにより効果的な統合を可能にした。
論文参考訳（メタデータ） (2025-06-01T21:24:43Z)
HQCC: A Hybrid Quantum-Classical Classifier with Adaptive Structure [7.836610894905161]
量子機械学習(QML)を進化させるハイブリッド量子古典(HQCC)を提案する。 HQCCはLong ShortTerm Memory (LSTM)駆動の動的回路生成器を通じて量子回路(PQC)を適応的に最適化する。我々はMNISTとFashion MNISTのデータセットでシミュレーションを行い、97.12%の精度を達成した。
論文参考訳（メタデータ） (2025-04-02T22:49:00Z)
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)
Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
論文参考訳（メタデータ） (2024-02-25T16:57:51Z)
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)
The generative quantum eigensolver (GQE) and its application for ground state search [7.450827979218242]
本稿では,変分量子アルゴリズムのパラダイムの外で動作する新しい量子計算フレームワークである生成量子固有解法(GQE)を紹介する。 GQEアルゴリズムは古典的な生成モデルを最適化し、所望の特性を持つ量子回路を生成する。電子構造ハミルトニアンに適用されたGPT-QEのトレーニングと事前学習の実証を行い、クラスタシングルとダブルを組み合わせてその能力を実証した。
論文参考訳（メタデータ） (2024-01-17T14:58:19Z)
Quantum Generative Diffusion Model: A Fully Quantum-Mechanical Model for Generating Quantum State Ensemble [40.06696963935616]
本稿では,量子生成拡散モデル (QGDM) を単純かつエレガントな量子モデルとして紹介する。 QGDMはQGAN(Quantum Generative Adversarial Network)よりも高速な収束を示す混合状態発生ではQGANよりも53.02%高い忠実性が得られる。
論文参考訳（メタデータ） (2024-01-13T10:56:34Z)
A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文参考訳（メタデータ） (2023-03-27T22:48:28Z)

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。