論文の概要: LLM-Guided Test-Time Discovery of Quantum-Chemical Approximation Algorithms

• arxiv url: http://arxiv.org/abs/2606.20729v1
• Date: Wed, 17 Jun 2026 05:58:58 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-06-23 11:24:00.225602
• Title: LLM-Guided Test-Time Discovery of Quantum-Chemical Approximation Algorithms
• Title（参考訳）: LLM-Guided Test-Time Discovery of Quantum-Chemical Approximation Algorithms (特集:量子化学)
• Authors: Masaya Hagai, Yuta Suzuki, Tomoya Murata, Shuhei Kurita, Masaki Adachi,
• Abstract要約: LADeQは、既存の量子化学コードのテスト時に候補近似アルゴリズムを発見し、実装し、ベンチマークする。 既定の言語モデルに基づいて構築されるため、LADeQはタスク固有の事前トレーニングやキュレートされたデータを必要としない。 LADeQはクラスタシングルとダブル(CCSD)と構成インタラクションシングルとダブル(CISD)の計算を高速化する。
• 参考スコア（独自算出の注目度）: 16.126073821519636
• License:
• Abstract: Quantum chemistry simulations underpin modern materials discovery, yet their impact is limited by steep computational cost and dependence on fixed approximation schemes. Foundation models, such as machine-learned interatomic potentials, have accelerated parts of this workflow, but their reliance on large-scale pretraining restricts adaptability at the frontier of chemical space, where methodological innovation and sparse data are the norm. Agentic AI systems can automate existing simulation pipelines, yet they remain constrained by the predefined tools and algorithms they orchestrate. In response, we introduce LADeQ, an LLM-guided workflow that discovers, implements, and benchmarks candidate approximation algorithms at test-time within existing quantum chemistry codes. Rather than selecting from a predefined repertoire, LADeQ constructs candidate approximation schemes on demand, drawing on techniques from disciplines such as spatial statistics, circuit simulation, and kernel methods that have had little prior presence in electronic-structure theory. Because it builds on an out-of-the-box language model, LADeQ requires no task-specific pretraining or curated data, and the resulting implementations are transparent and inspectable, with explicitly traceable approximation errors that enable principled control of accuracy--efficiency trade-offs. We show that LADeQ accelerates coupled cluster singles and doubles (CCSD) and configuration interaction singles and doubles (CISD) calculations while keeping correlation-energy errors within user-specified tolerances, demonstrating autonomous, objective-driven discovery of approximation algorithms inside existing electronic-structure solvers.
• Abstract（参考訳）: 量子化学シミュレーションは現代の材料発見の基盤となっているが、その影響は計算コストの急激さと固定近似スキームへの依存によって制限されている。 機械学習された原子間ポテンシャルのような基礎モデルは、このワークフローの一部を促進するが、大規模な事前訓練に依存しているため、化学空間のフロンティアにおける適応性が制限され、そこでは方法論的な革新とスパースデータが標準となっている。 エージェントAIシステムは既存のシミュレーションパイプラインを自動化できるが、事前に定義されたツールやアルゴリズムによって制約される。 これに応えて,既存の量子化学コードのテスト時に候補近似アルゴリズムを発見し,実装し,ベンチマークするLLM誘導ワークフローであるLADeQを紹介した。 LADeQは、事前に定義されたレパートリーから選択するのではなく、空間統計学、回路シミュレーション、電子構造理論にほとんど存在しなかったカーネルメソッドといった分野の手法に基づいて、需要に対する候補近似スキームを構築している。 アウト・オブ・ボックス言語モデルの上に構築されているため、LADeQはタスク固有の事前訓練やキュレートされたデータを必要としない。 LADeQ はクラスタ・シングル・アンド・ダブル・アンド・コンフィグレーション・インタラクション・シングル・アンド・ダブル・アンド・ダブル・コンフィグレーション・シングル・アンド・コンフィグレーション・シングル・アンド・ダブル・コンフィグレーション・シングル・アンド・ダブル・コンフィグレーション・コンフィグレーション・シングル・アンド・コンフィグレーション・シングル・アンド・ダブル・コンフィグレーション・コンフィグレーション・シングル・アンド・ダブル・コンフィグレーション・コンフィグレーション・コンフィグレーション(CISD)の計算を加速し,相関エネルギー誤差をユーザ指定の許容範囲内に保持し,既存の電子構造解決器内の近似アルゴリズムを自律的かつ客観的に発見することを示した。

関連論文リスト

• AQER: a scalable and efficient data loader for digital quantum computers [62.40228216126285]
  我々は,ターゲット状態の絡み合いを体系的に低減し,負荷回路を構成するスケーラブルなAQL手法であるAQERを開発した。 我々は、合成データセット、古典画像および言語データセット、最大50キュービットの量子多体状態データセットを用いて、AQERの有効性を評価するための体系的な実験を行う。
  論文  参考訳（メタデータ） (2026-02-02T14:39:42Z)
• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• Bridging quantum and classical computing for partial differential equations through multifidelity machine learning [0.46664938579243564]
  偏微分方程式(PDE)の量子アルゴリズムは、短期ハードウェアに厳しい実用的制約に直面している。 本稿では,スパース古典的学習データを用いて,粗い量子解を高精度に補正する多要素学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-04T20:39:23Z)
• BLIPs: Bayesian Learned Interatomic Potentials [47.73617239750485]
  機械学習原子間ポテンシャル(MLIP)は、シミュレーションベースの化学の中心的なツールになりつつある。 MLIPは、アクティブな学習パイプラインをガイドする基本となる、構築による不確実性推定を提供していない。 BLIPはスケーラブルでアーキテクチャに依存しない、トレーニングや微調整のためのベイズ的フレームワークである。
  論文  参考訳（メタデータ） (2025-08-19T17:28:14Z)
• LaPON: A Lagrange's-mean-value-theorem-inspired operator network for solving PDEs and its application on NSE [8.014720523981385]
  ラグランジュの平均値定理に着想を得た演算子ネットワークであるLaPONを提案する。 損失関数ではなく、ニューラルネットワークアーキテクチャに直接、事前の知識を組み込む。 LaPONは、高忠実度流体力学シミュレーションのためのスケーラブルで信頼性の高いソリューションを提供する。
  論文  参考訳（メタデータ） (2025-05-18T10:45:17Z)
• Practical Application of the Quantum Carleman Lattice Boltzmann Method in Industrial CFD Simulations [44.99833362998488]
  この研究は、格子ボルツマン法(LBM)に基づくCFDへのハイブリッド量子古典的アプローチの実用的な数値評価を提示する。 本手法は, 異なる境界条件, 周期性, バウンスバック, 移動壁を有する3つのベンチマークケースで評価した。 提案手法の有効性を検証し,10～3ドル程度の誤差忠実度と,実際の量子状態サンプリングに十分な確率を達成できた。
  論文  参考訳（メタデータ） (2025-04-17T15:41:48Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Chaos into Order: Neural Framework for Expected Value Estimation of Stochastic Partial Differential Equations [0.9944647907864256]
  線形偏微分方程式(SPDE)の期待値を近似する物理インフォームドニューラルネットワークを提案する。 トレーニング中の時空座標とノイズ実現の両方のランダムサンプリングを活用することで、LECは標準フィードフォワードニューラルネットワークをトレーニングし、複数のサンプル間での残留損失を最小限に抑える。 このモデルでは, より低次元における解の期待値の正確な近似を常に学習し, 空間次元の増加に伴うロバスト性低下を予測可能であることを示す。
  論文  参考訳（メタデータ） (2025-02-05T23:27:28Z)
• Drastic Circuit Depth Reductions with Preserved Adversarial Robustness by Approximate Encoding for Quantum Machine Learning [0.5181797490530444]
  本研究では, 変分, 遺伝的および行列積状態に基づくアルゴリズムを用いて, 符号化画像データを表す量子状態の効率的な作成法を実装した。 その結果、これらの手法は、標準状態準備実装よりも2桁も浅い回路を用いて、QMLに適したレベルにほぼ準備できることが判明した。
  論文  参考訳（メタデータ） (2023-09-18T01:49:36Z)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)
• Accelerating Part-Scale Simulation in Liquid Metal Jet Additive Manufacturing via Operator Learning [0.0]
  部分スケールの予測は多くの小規模シミュレーションを必要とする。 LMJにおける液滴の合体性を記述するモデルとして, 混合圧縮性流体流, 熱伝達, 相変化方程式がある。 我々は,液滴の合体過程の初期状態と最終状態のマッピングを演算子学習アプローチで学習する。
  論文  参考訳（メタデータ） (2022-02-02T17:24:16Z)

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。