論文の概要: Position: The Inevitable Transition to Machine Learning in Quantum Chemistry

• arxiv url: http://arxiv.org/abs/2607.18281v2
• Date: Wed, 22 Jul 2026 04:00:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.104535
• Title: Position: The Inevitable Transition to Machine Learning in Quantum Chemistry
• Title（参考訳）: 位置: 量子化学における機械学習への必然的移行
• Authors: Karen Sargsyan, Chao-Ping Hsu,
• Abstract要約: 量子多体問題に対する正確な解を見つけることは、計算的に難解である(QMA-hard)。 従来の原子や分子中の電子の近似は、正確な機能に向かって収束することなく増殖してきた。 このポジションペーパーは、機械学習が最も有望な進路であると主張している。
• 参考スコア（独自算出の注目度）: 4.297070083645049
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Finding exact solutions to the quantum many-body problem is computationally intractable (QMA-hard). Traditional approximations for electrons in an atom or molecule -- density functional theory and wavefunction methods -- have been indispensable, but their development shows signs of saturation: DFT functionals have proliferated without converging toward the exact functional, and strong correlation remains largely unsolved after decades of effort. This position paper argues that machine learning represents the most promising path forward -- not as a proof of logical necessity, but as a decision-theoretic argument: ML succeeds whether the underlying problems are truly hard or merely lack simple analytical solutions. We reframe recent traditional method development as ``hand-crafted machine learning'' that has exhausted the hypothesis space accessible to human intuition. Significant challenges remain, but these have clear research paths forward, unlike the fundamental barriers facing traditional approaches. ML-based approaches merit strategic priority in quantum chemistry's next phase.
• Abstract（参考訳）: 量子多体問題に対する正確な解を見つけることは、計算的に難解である(QMA-hard)。 原子や分子中の電子の伝統的な近似(密度汎関数理論と波動関数法)は不可欠であるが、その発展は飽和の兆候を示している。 このポジションペーパーでは、機械学習は、論理的必然性の証明ではなく、決定論的論証として、最も有望な進路であると主張している。 我々は、最近の従来の手法開発を「手作り機械学習」として再編成し、人間の直感にアクセスできる仮説空間を網羅した。 重要な課題は残っていますが、従来のアプローチが直面する基本的な障壁とは異なり、これらには明確な研究パスがあります。 MLベースのアプローチは、量子化学の次のフェーズにおいて戦略的優先権を発揮する。

関連論文リスト

• Quantum Machine Learning for Industrial Applications [0.0]
  本論では,量子機械学習の理論的基礎を論じ,短期的・将来的な応用に焦点をあてる。 フォトニック回路や量子畳み込みニューラルネットワークを含むサブスペース保存QMLアルゴリズムが導入され、古典的なMLサブルーチンを模倣するように設計されている。 これらの貢献は、現実世界の応用において、近未来および将来の量子技術を利用するための理論的ロードマップを前進させることを目的としている。
  論文  参考訳（メタデータ） (2026-06-12T12:45:00Z)
• Unsupervised Machine Learning for Experimental Detection of Quantum-Many-Body Phase Transitions [8.622157596147916]
  量子多体(QMB)実験の教師なし機械学習手法を提案する。 本研究は, 実験データから集合現象を明らかにし, モデル固有の事前知識を持たないことを示す。
  論文  参考訳（メタデータ） (2025-11-30T21:25:47Z)
• Digital quantum simulation of many-body systems: Making the most of intermediate-scale, noisy quantum computers [51.56484100374058]
  この論文は量子デバイス上の量子力学をシミュレートすることを中心にしている。 本稿では,量子力学における最も関連性の高い量子アルゴリズムの概要を紹介する。 近い将来に量子シミュレーションの恩恵を受けることができる量子力学における関連する問題を同定する。
  論文  参考訳（メタデータ） (2025-08-29T10:37:19Z)
• Truncated Variational Hamiltonian Ansatz: efficient quantum circuit design for quantum chemistry and material science [0.0]
  本稿では、ノイズ中間スケール量子(NISQ)デバイス上で量子計算を行うための新しい回路設計である、Truncated Variational Hamiltonian Ansatz (tVHA)を紹介する。 提案したアンザッツはパラメータ数を大幅に削減し,回路サイズを大幅に削減し,高精度なトレードオフを実現する。 本稿では, 量子化学におけるtVHAの実用化に焦点をあてるが, その基本原理は, 量子コンピューティングプラットフォームにおける物質科学計算の幅広い分野にまで適用可能であることを示唆している。
  論文  参考訳（メタデータ） (2025-05-26T09:54:46Z)
• Quantum extreme learning machines for photonic entanglement witnessing [30.432877421232842]
  量子極端学習機械(QELM)は、量子絡みを目撃する強力な代替手段を具現化している。 我々は光子対の軌道角運動量を利用するフォトニックQELMを自由度として実装する。 従来の手法とは異なり, 装置の微調整, 精密校正, 精巧な知識は不要である。
  論文  参考訳（メタデータ） (2025-02-25T16:55:35Z)
• A brief introduction to the diffusion Monte Carlo method and the fixed-node approximation [0.0]
  量子モンテカルロ法(Quantum Monte Carlo, QMC)は、複雑な量子多体問題に対処するための強力な計算技法のファミリーである。 本稿では,拡散モンテカルロ法(DMC)について紹介する。
  論文  参考訳（メタデータ） (2024-12-08T17:36:04Z)
• Evaluation of phase shifts for non-relativistic elastic scattering using quantum computers [39.58317527488534]
  本研究は, 量子コンピュータ上での一般相対論的非弾性散乱過程の位相シフトを求めるアルゴリズムの開発を報告する。
  論文  参考訳（メタデータ） (2024-07-04T21:11:05Z)
• Wasserstein Quantum Monte Carlo: A Novel Approach for Solving the Quantum Many-Body Schr\"odinger Equation [56.9919517199927]
  ワーッセルシュタイン量子モンテカルロ (WQMC) はフィッシャー・ラオ計量ではなくワーッセルシュタイン計量によって誘導される勾配流を用いており、テレポートではなく確率質量の輸送に対応する。 我々は、WQMCの力学が分子系の基底状態へのより高速な収束をもたらすことを実証的に実証した。
  論文  参考訳（メタデータ） (2023-07-06T17:54:08Z)
• Ab-initio quantum chemistry with neural-network wavefunctions [2.3306857544105686]
  分子科学における機械学習の主な応用は、ポテンシャルエネルギー表面や力場を学習することである。 本稿では,ニューラルネットワークアンサッツ関数を用いた量子モンテカルロ法(QMC)に着目し,電子式Schr"odingerの解法を提案する。
  論文  参考訳（メタデータ） (2022-08-26T11:33:31Z)
• Machine Learning Force Fields [54.48599172620472]
  機械学習(ML)は、計算化学の多くの進歩を可能にした。 最も有望な応用の1つは、MLベースの力場(FF)の構築である。 本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
  論文  参考訳（メタデータ） (2020-10-14T13:14:14Z)

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。