論文の概要: Implementations of Quantum and Classical Topology-Aligned Architectures for Molecular Property Prediction

• arxiv url: http://arxiv.org/abs/2607.13737v1
• Date: Wed, 15 Jul 2026 11:54:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.753676
• Title: Implementations of Quantum and Classical Topology-Aligned Architectures for Molecular Property Prediction
• Title（参考訳）: 分子特性予測のための量子トポロジと古典的トポロジアライズドアーキテクチャの実装
• Abstract要約: モデル構造が分子結合グラフを反映する位相整合帰納バイアスを提案する。 この原理は、変分量子回路(Iso-QGNN)とパラメータマッチングされた古典的メッセージパッシングモデル(Iso-CGNN)の2つのアーキテクチャでインスタンス化される。 64のトレーニング可能なパラメータで、実装はギャップタスクで約0.88(量子)と0.91(古典)、ダイポールタスクで約0.78(どちらも)のAUCを達成している。
• 参考スコア（独自算出の注目度）: 0.04588028371034406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For low-data and resource-constrained regimes typical of quantum chemistry, parameter-efficient learning is a key objective. Here, we propose a topology-aligned inductive bias in which the model architecture mirrors the molecular bond graph: atoms map to a fixed register of computational units, and bonds determine which pairs interact through shared learnable parameters. This principle is instantiated in two architectures: a variational quantum circuit (Iso-QGNN), and a parameter-matched classical message-passing model (Iso-CGNN). The models are benchmarked on HOMO-LUMO and dipole moment binary classification tasks over the QM9 benchmark. With 64 trainable parameters, the implementations achieve test AUCs of approximately 0.88 (quantum) and 0.91 (classical) on the gap task, and close to 0.78 (both) on the dipole task. The models reach 90% of asymptotic performance within about 250 training molecules and gradient norms remain stable throughout training. These results indicate that the topology-aligned inductive bias is the active ingredient driving parameter efficiency at QM9 scale, with implications for matched-baseline benchmarking in quantum machine learning.
• Abstract（参考訳）: 量子化学に典型的な低データおよび資源制約のレシエーションでは、パラメータ効率の学習が重要な目的である。 本稿では、モデルアーキテクチャが分子結合グラフを反映するトポロジ整列帰納バイアスを提案する。原子は計算単位の固定レジスタにマップされ、結合は共有可学習パラメータを介してどのペアが相互作用するかを決定する。 この原理は、変分量子回路(Iso-QGNN)とパラメータマッチングされた古典的メッセージパッシングモデル(Iso-CGNN)の2つのアーキテクチャでインスタンス化される。 モデルはHOMO-LUMOとダイポールモーメントバイナリ分類タスクでQM9ベンチマークでベンチマークされる。 64のトレーニング可能なパラメータで、実装はギャップタスクで約0.88(量子)と0.91(古典)、ダイポールタスクで約0.78(どちらも)のAUCを達成している。 モデルは約250個のトレーニング分子で漸近性能の90%に達し、勾配ノルムはトレーニングを通して安定している。 以上の結果から,QM9スケールでの有効成分駆動パラメータ効率はトポロジ整列帰納バイアスであり,量子機械学習におけるマッチングベースラインベンチマークに影響を及ぼすことが示唆された。

関連論文リスト

• Quantum Hamiltonian Evolution for Coherent Quantum Learning [0.0]
  損失関数を符号化するハミルトニアンの下で、モデルパラメータが量子自由度である量子学習モデルのトレーニングフレームワークであるコヒーレント量子学習(CQL)を紹介する。
  論文  参考訳（メタデータ） (2026-09-03T10:41:23Z)
• Evaluating Quantum Kernel Methods for Track-Based Classification in High-Energy Physics [0.0]
  本稿では,CLAS12ドリフトチャンバーを用いた大規模量子カーネル分類の設計について述べる。 各イベントは、完全に絡み合ったZZFeatureMapを介して6量子状態にエンコードされる。
  論文  参考訳（メタデータ） (2026-08-27T16:35:30Z)
• Quantum Kernel Methods: Convergence Theory, Separation Bounds and Applications to Marketing Analytics [0.22940141855172033]
  本研究は、NISQ体制における実際の消費者分類タスクに量子カーネル法を適用することの実現可能性について研究する。 量子カーネル支援ベクトルマシン(Q-SVM)と量子特徴抽出モジュール(QFE)を組み合わせたハイブリッドパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-10-11T14:11:41Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• A performance characterization of quantum generative models [35.974070202997176]
  量子生成モデリングに使用される量子回路を比較する。 2つの一般的なトレーニング手法を用いてデータセットの確率分布を学習する。 確率分布のコプラを学習する離散アーキテクチャの変種が、他のすべての手法より優れていることを実証的に見出した。
  論文  参考訳（メタデータ） (2023-01-23T11:00:29Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• Transfer Learning in Quantum Parametric Classifiers: An Information-Theoretic Generalization Analysis [42.275148861039895]
  古典的な入力を持つ量子機械学習における重要なステップは、入力を量子状態にマッピングする埋め込み回路の設計である。 本稿では,任意のパラメトリック量子回路を用いて古典-量子埋め込みを行う移動学習環境について検討する。
  論文  参考訳（メタデータ） (2022-01-17T09:28:13Z)
• 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)
• Programming a quantum computer with quantum instructions [39.994876450026865]
  我々は密度行列化プロトコルを用いて量子データ上で量子命令を実行する。 古典的に定義されたゲートの固定列は、補助量子命令状態に一意に依存する演算を実行する。 量子命令の利用により、コストのかかるトモグラフィー状態の再構築と再コンパイルの必要性がなくなる。
  論文  参考訳（メタデータ） (2020-01-23T22:43:29Z)

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。