論文の概要: Enhancing quantum-classical configuration interaction methods using a neural-network classifier

• arxiv url: http://arxiv.org/abs/2606.24332v1
• Date: Tue, 23 Jun 2026 09:10:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.856905
• Title: Enhancing quantum-classical configuration interaction methods using a neural-network classifier
• Title（参考訳）: ニューラルネットワーク分類器を用いた量子-古典的構成相互作用手法の強化
• Authors: Severino Zeni, Giovanni Varutti, Jacopo Nespolo, Dimitrios Trypogeorgos,
• Abstract要約: 本稿では,バイナリ分類タスクとして重要度を再放送するデータ駆動選択フレームワークを提案する。 各イテレーションにおいて、候補行列のランダムなサブセットは、一時的な対角化によってラベル付けされる。 二原子分子の基底状態エネルギーを計算することにより、古典的および量子的CI法の両方にこのフレームワークの有用性を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Selected configuration interaction methods achieve near-exact electronic structure calculations by iteratively constructing compact variational spaces, but their efficiency depends critically on the heuristics used to identify important determinants. Here, we introduce a data-driven selection framework that recasts determinant importance as a binary classification task and integrates a neural-network classifier into the iterative CI workflow through an active-learning loop. At each iteration, a random subset of candidate determinants is labelled via temporary diagonalisation, and the trained classifier guides selection of the remaining configurations. We demonstrate the utility of this framework for both classical and quantum CI methods by calculating the ground-state energy of a diatomic molecule. Our method achieves result parity with traditional configuration interaction methods at substantially lower computational cost: roughly a $\times 5$ reduction in memory and per-iteration cost for the classical cHCI variant, and convergence in markedly fewer iterations for the quantum-classical cSQD variant. These results establish classifier-assisted determinant selection as a lightweight, method-agnostic tool for compressing variational spaces and accelerating both classical and hybrid quantum-classical configuration interaction algorithms.
• Abstract（参考訳）: 選択された構成相互作用法は、コンパクトな変動空間を反復的に構築することで、ほぼ正確な電子構造計算を行うが、その効率は重要な決定因子を特定するために使用されるヒューリスティックに大きく依存する。 ここでは、決定的重要性をバイナリ分類タスクとして再キャストし、ニューラルネットワーク分類器をアクティブラーニングループを通じて反復CIワークフローに統合する、データ駆動選択フレームワークを紹介する。 各イテレーションにおいて、候補行列のランダムなサブセットは一時的な対角化によってラベル付けされ、訓練された分類器は残りの構成の選択をガイドする。 二原子分子の基底状態エネルギーを計算することにより、古典的および量子的CI法の両方にこのフレームワークの有用性を実証する。 提案手法は,古典的cHCI変種に対するメモリ5ドル削減と点数毎のコストの約$\times 5$削減と,量子古典的cSQD変種に対する顕著に少ない繰り返しの収束という計算コストで,従来の構成的相互作用手法とほぼ同等な結果が得られる。 これらの結果は、変分空間を圧縮し、古典的およびハイブリッドな量子-古典的構成相互作用アルゴリズムを加速するための軽量で方法に依存しないツールとして、分類器支援の行列式選択を確立した。

関連論文リスト

• Permutation-preserving Functions and Neural Vecchia Covariance Kernels [32.53204438108058]
  ガウス過程のためのスケーラブルで柔軟な共分散カーネルを構築するための新しいフレームワークを提案する。 具体的には、共分散を特徴付ける決定論的量であるクリグ係数と条件標準偏差をモデル化する。 置換同変関数の普遍表現を導出し、この対称性を尊重するニューラルアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2026-05-06T23:47:59Z)
• Quantum LEGO Learning: A Modular Design Principle for Hybrid Artificial Intelligence [63.39968536637762]
  古典的および量子的コンポーネントを再利用可能で構成可能な学習ブロックとして扱う学習フレームワークであるQuantum LEGO Learningを紹介します。 このフレームワーク内では、トレーニング済みの古典的ニューラルネットワークがフリーズ機能ブロックとして機能し、VQCはトレーニング可能な適応モジュールとして機能する。 我々は,学習誤差を近似と推定成分に分解するブロックワイズ一般化理論を開発した。
  論文  参考訳（メタデータ） (2026-01-29T14:29:21Z)
• Classical Neural Networks on Quantum Devices via Tensor Network Disentanglers: A Case Study in Image Classification [0.0]
  量子コンピュータ上での古典的事前学習ニューラルネットワークのボトルネック層実装の問題に対処する。 本稿では,MPOアンタングリングのための2つの補完アルゴリズムを提案する。 MNIST と CIFAR-10 画像分類のための単純な古典的ニューラルネットワークの概念変換による検証を行った。
  論文  参考訳（メタデータ） (2025-09-08T13:08:37Z)
• Molecular Properties in Quantum-Classical Auxiliary-Field Quantum Monte Carlo: Correlated Sampling with Application to Accurate Nuclear Forces [1.2189422792863451]
  我々は古典的補助場量子モンテカルロから量子古典(QCAFQMC)フレームワークへの相関サンプリングを拡張した。 我々は,N$ wave$と拡張線形H$_4$の力評価において,特に強い相関領域において,単一参照法よりも顕著に改善したことを示す。 また, この手法をMEA-CO$$炭素捕獲反応に適用し, 有効空間選択と整合影に量子情報メトリクスを用いた。
  論文  参考訳（メタデータ） (2025-07-23T23:51:10Z)
• The Localized Active Space Method with Unitary Selective Coupled Cluster [0.3252295747842729]
  本稿では、量子古典的ハイブリッドアルゴリズム、局所化されたアクティブな一元結合クラスタシングルおよびダブルス(LASUSCCSD)手法を提案する。 LASUSCCSDは必要なパラメータの数を減らすので、回路の深さは少なくとも1桁減少する。 これは、近距離量子コンピュータにおけるLASUCCSDのようなマルチ参照ハイブリッド量子古典アルゴリズムの実装において重要である。
  論文  参考訳（メタデータ） (2024-04-19T14:55:15Z)
• Exploring the role of parameters in variational quantum algorithms [59.20947681019466]
  動的リー代数の階数を用いた変分量子回路のキャラクタリゼーションのための量子制御に着想を得た手法を提案する。 有望な接続は、リーランク、計算されたエネルギーの精度、および所定の回路アーキテクチャを介して目標状態を達成するために必要な深さとの間のものである。
  論文  参考訳（メタデータ） (2022-09-28T20:24:53Z)
• Automatic and effective discovery of quantum kernels [41.61572387137452]
  量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。 本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。 その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
  論文  参考訳（メタデータ） (2022-09-22T16:42:14Z)
• Say NO to Optimization: A Non-Orthogonal Quantum Eigensolver [0.0]
  低層状態がほぼ退化した電子系における静的相関と動的相関のバランスの取れた記述は、古典的コンピュータ上でのマルチコンフィグレーション手法の課題である。 本稿では、相関クラスタ演算子の作用を利用して、高品質な波動関数アンゼを提供する量子アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-18T16:20:36Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• 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)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)

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。