論文の概要: Rank-Refined Quantum-Behaved Particle Swarm Optimization for Quantum Molecular Generation
- arxiv url: http://arxiv.org/abs/2607.10284v1
- Date: Sat, 11 Jul 2026 12:30:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.37973
- Title: Rank-Refined Quantum-Behaved Particle Swarm Optimization for Quantum Molecular Generation
- Title（参考訳）: 量子分子生成のための量子偏光粒子群最適化
- Abstract要約: 本研究は、量子生成(QMG)における高次元パラメータ探索のためのランク調整量子-振る舞い粒子群最適化(RR-QPSO)を提案する。
RR-QPSOは、各候補パラメータベクトルが回路サンプリング、ビットストリング復号化、分子評価を必要とするような、高価な客観的評価によるボトルネックをターゲットにしている。
分子レベルでの設計は、化学にインスパイアされた回路や分子デコードパイプラインを変更することなくQMGを改善することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work proposes Rank-Refined Quantum-Behaved Particle Swarm Optimization (RR-QPSO) for high-dimensional parameter search in Quantum Molecular Generation (QMG). RR-QPSO targets the optimization bottleneck caused by expensive objective evaluations, where each candidate parameter vector requires stochastic circuit sampling, bitstring decoding, and molecular evaluation. The method provides a population-based alternative to Bayesian optimization (BO), combining Sobol-based initialization, a rank-refined mean-best update, and fitness-guided refinement based on validity and uniqueness. Experiments use the 9-heavy-atom QMG benchmark with a 134-parameter, 20-qubit CUDA-Q circuit and particle evaluations parallelized across 8 NVIDIA V100 GPUs. With M=64 particles and T=150 iterations, RR-QPSO reaches VxU = 0.930; increasing the swarm size to M=128 further improves the product to 0.942, compared with 0.902 for BO under the same protocol. A multi-objective extension targeting HBA=4 and HBD=3 further shows that RR-QPSO can guide molecular properties while preserving a higher validity--uniqueness product than BO. These results suggest that optimizer-level design can improve QMG without modifying the chemistry-inspired circuit or molecular decoding pipeline.
- Abstract（参考訳）: 本研究では、量子分子生成(QMG)における高次元パラメータ探索のためのランク調整量子-挙動粒子群最適化(RR-QPSO)を提案する。
RR-QPSOは、確率的回路サンプリング、ビットストリング復号化、分子評価を必要とする、高価な客観的評価による最適化ボトルネックをターゲットにしている。
本手法は, ベイズ最適化(BO)の代替として, ソボを基本とした初期化, ランク調整された平均ベット更新, 妥当性と独自性に基づくフィットネス誘導改良を組み合わせた。
実験では、134パラメータ、20キュービットのCUDA-Q回路を備えた9重原子QMGベンチマークを使用し、8つのNVIDIA V100 GPUで並列化された粒子評価を行った。
M=64粒子とT=150繰り返しでは、RR-QPSOはVxU = 0.930に達し、M=128へのスワムサイズの増加により、同じプロトコルのBOでは0.902よりも0.942に改善される。
HBA=4およびHBD=3を標的とした多目的拡張は、RR-QPSOがBOよりも高い有効性-特異性生成物を保ちながら分子特性を誘導できることを示している。
これらの結果から, ケミカルインスパイア回路や分子デコードパイプラインを変更せずにQMGを最適化できる可能性が示唆された。
関連論文リスト
- Inverse Design of Quantum Control Sequences with Fourier Neural Operators [57.63590760083204]
高次元分子量子力学を学習するためのフーリエニューラル演算子(FNO)に基づくフレームワークを提案する。
我々は,初期混合ボルツマン分布を浄化するパルス列を構成するFNO-SPMP(FNO-SPMP)を開発した。
共有離散制御空間において、FNO-SPMPは強化学習ベースラインの成功率の2倍近くを達成する。
論文 参考訳（メタデータ） (2026-08-04T14:06:59Z) - Performance Guarantees for Quantum Neural Estimation of Entropies [31.955071410400947]
量子神経推定器(QNE)は古典的ニューラルネットワークとパラメトリズド量子回路を組み合わせたものである。
非漸近的エラーリスク境界の形で測定された相対エントロピーのQNEの形式的保証について検討する。
我々の理論は、測定された相対エントロピーに対するQNEの原則的実装を促進することを目的としている。
論文 参考訳（メタデータ） (2025-11-24T16:36:06Z) - Threshold for Fault-tolerant Quantum Advantage with the Quantum Approximate Optimization Algorithm [6.328164687610608]
現実的な仮定の下では、量子コンピュータが古典的な最適化問題に勝ることはありそうにない。
さらに, 物理誤差率と耐故障性オーバーヘッドの低減が期待できるため, 古典的解法エネルギー消費に対するこの制限は緩和可能であることを示す。
これらの結果は、大規模フォールトトレラント量子コンピュータが最適化に有用であるという仮説を支持している。
論文 参考訳（メタデータ） (2025-04-02T16:57:28Z) - Non-native Quantum Generative Optimization with Adversarial Autoencoders [34.82692226532414]
本稿では、大規模最適化問題を既存の量子サンプリングにマッピングするために使用できる逆量子オートエンコーダモデル(AQAM)を紹介する。
従来のマルコフ・チェインモンテカルロ試料と比較すると,AQAMはレニイ偏差が低く,スペクトルギャップが大きくなることが示されている。
論文 参考訳（メタデータ） (2024-07-18T18:03:18Z) - 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) - Efficient DCQO Algorithm within the Impulse Regime for Portfolio
Optimization [41.94295877935867]
本稿では,デジタルカウンセバティック量子最適化(DCQO)パラダイムを用いて,ポートフォリオ最適化のための高速なディジタル量子アルゴリズムを提案する。
提案手法は,アルゴリズムの回路深度要件を特に低減し,解の精度を向上し,現在の量子プロセッサに適している。
我々は,IonQトラップイオン量子コンピュータ上で最大20量子ビットを使用するプロトコルの利点を実験的に実証した。
論文 参考訳（メタデータ） (2023-08-29T17:53:08Z) - Quantum Approximate Optimization Algorithm Parameter Prediction Using a
Convolutional Neural Network [0.0]
我々は、深度$p+1$QAOAのパラメータから深度$p+1$QAOAのパラメータを予測する畳み込みニューラルネットワークを構築している。
Max-Cut に対する平均近似比 92735$ 800$ ErdHos-R'enyi を得る。
論文 参考訳（メタデータ） (2022-11-17T13:20:58Z) - Exploring the neighborhood of 1-layer QAOA with Instantaneous Quantum
Polynomial circuits [0.0]
我々は1層QAOA回路をパラメータ化即時量子多項式回路のより大きなクラスに埋め込む。
最適パラメータを求めるために解析式を用いることで、我々のプロトコルはバレンプラトーやハードウェアノイズに対して堅牢である。
我々のプロトコルは、最近リリースされたQuantinuum H2トラップイオン量子ハードウェアとエミュレータの1層QAOAよりも優れている。
論文 参考訳（メタデータ） (2022-10-11T15:16:44Z) - 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) - Reducing the Variance of Gaussian Process Hyperparameter Optimization
with Preconditioning [54.01682318834995]
プレコンディショニングは、行列ベクトル乗算を含む反復的な方法にとって非常に効果的なステップである。
プレコンディショニングには、これまで検討されていなかった付加的なメリットがあることを実証する。
基本的に無視可能なコストで、同時に分散を低減することができる。
論文 参考訳（メタデータ） (2021-07-01T06:43:11Z) - Simulating Many-Body Systems with a Projective Quantum Eigensolver [0.0]
単一結合クラスタ波動関数を最適化するための新しいハイブリッド量子古典アルゴリズムを提案する。
また、任意の順序の粒子ホール演算子から構築された適応アンサッツを用いたPQE(SPQE)の選択版も導入する。
論文 参考訳（メタデータ） (2021-01-31T00:31:12Z) - Non-Parametric Adaptive Network Pruning [125.4414216272874]
アルゴリズム設計を簡略化するノンパラメトリックモデリングを導入。
顔認識コミュニティに触発されて,メッセージパッシングアルゴリズムを用いて,適応的な例示数を求める。
EPrunerは「重要」フィルタを決定する際にトレーニングデータへの依存を壊します。
論文 参考訳（メタデータ） (2021-01-20T06:18:38Z) - 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) - Accelerating Quantum Approximate Optimization Algorithm using Machine
Learning [6.735657356113614]
本稿では,量子近似最適化アルゴリズム(QAOA)の実装を高速化する機械学習手法を提案する。
QAOAは、いわゆる量子超越性を証明する量子古典ハイブリッドアルゴリズムである。
提案手法は,264種類のグラフを用いて行った解析から,最適化の繰り返し回数を最大65.7%削減できることを示す。
論文 参考訳（メタデータ） (2020-02-04T02:21:00Z)
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。