論文の概要: Machine-Learned Compact Subspace Generation for Quantum Selected Configuration Interaction within Density Matrix Embedding Framework
- arxiv url: http://arxiv.org/abs/2607.20585v1
- Date: Wed, 22 Jul 2026 12:58:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.176147
- Title: Machine-Learned Compact Subspace Generation for Quantum Selected Configuration Interaction within Density Matrix Embedding Framework
- Title（参考訳）: 密度行列埋め込みフレームワークにおける量子選択型構成相互作用のための機械学習型コンパクト部分空間生成
- Abstract要約: Restricted Boltzmann Machines (RBMs) に基づく機械学習型コンパクト部分空間生成プロトコルを提案する。
この枠組みをSARS-CoV-2主プロテアーゼに結合する阻害剤カルモファーを含むタンパク質-リガンド複合体のシミュレーションに適用する。
その結果, DMET-QSCI-RBMは, 構成部分空間の約4%にのみアクセスすることで, 化学精度閾値内でエネルギーを得ることができた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sample-based Quantum Diagonalization (SQD), an extension of Quantum Selected Configuration Interaction (QSCI), has emerged as a promising hybrid quantum-classical paradigm for computing molecular ground state energies. By leveraging quantum sampling instead of variational optimization, QSCI avoids barren plateaus and enables direct reconstruction of correlated electronic wavefunctions. However, existing configuration recovery techniques primarily enforce symmetry constraints without guaranteeing optimal selection of the most physically relevant configurations, often leading to unnecessarily large subspaces and increased classical diagonalization costs. In this work, we introduce a machine-learned compact subspace generation protocol based on Restricted Boltzmann Machines (RBMs), termed QSCI-RBM, and integrate it within the Density Matrix Embedding Theory (DMET) framework. The RBM is trained on quantum-sampled configurations to learn the underlying probability distribution of dominant determinants, enabling the targeted generation of high-probability configurations. We apply this framework to the simulation of a protein-ligand complex involving the inhibitor Carmofur bound to the SARS-CoV-2 main protease ($M^{\text{pro}}$). Our results demonstrate that DMET-QSCI-RBM achieves energies within the chemical accuracy threshold by accessing only approximately 4% of the configuration subspace. In contrast, standard DMET-SQD simulations failed to reach chemical accuracy while accessing up to 20% of the subspace, even as the chemical potential itself nearly converged. These findings highlight that RBM-assisted configuration generation produces significantly more compact subspaces while preserving physical accuracy, thereby reducing classical computational overhead and enabling the scalable quantum embedding simulation of complex biological systems.
- Abstract（参考訳）: 量子選択構成相互作用(Quantum Selected Configuration Interaction, QSCI)の拡張であるサンプルベース量子対角化(Quantum Diagonalization, SQD)は、分子基底状態エネルギーを計算するための有望なハイブリッド量子古典パラダイムとして登場した。
変分最適化の代わりに量子サンプリングを利用することで、QSCIはバレンプラトーを避け、相関する電子波動関数の直接再構成を可能にする。
しかし、既存の構成回復技術は主に、最も物理的に関係のある構成の最適な選択を保証することなく対称性の制約を強制し、しばしば不要な大きな部分空間と古典的な対角化コストを増大させる。
本研究では,リミテッド・ボルツマン・マシン(RBM)をベースとした機械学習型コンパクト部分空間生成プロトコル,QSCI-RBMを導入し,密度行列埋め込み理論(DMET)フレームワークに統合する。
RBMは量子サンプリングされた構成に基づいて、支配的行列式の基底となる確率分布を学習し、高確率構成のターゲット生成を可能にする。
この枠組みをSARS-CoV-2主プロテアーゼ(M^{\text{pro}}$)に結合する阻害剤カルモファー(Carmofur)を含むタンパク質-リガンド複合体のシミュレーションに適用する。
その結果, DMET-QSCI-RBMは, 構成部分空間の約4%にのみアクセスすることで, 化学精度閾値内でエネルギーを得ることができた。
対照的に、DMET-SQDの標準的なシミュレーションは、化学ポテンシャル自体がほぼ収束しているにもかかわらず、その部分空間の20%までアクセスしながら、化学的精度に達することができなかった。
これらの結果から、RCMによる構成生成は、物理精度を維持しながらはるかにコンパクトな部分空間を生成し、古典的な計算オーバーヘッドを低減し、複雑な生物学的システムのスケーラブルな量子埋め込みシミュレーションを可能にすることが示唆された。
関連論文リスト
- Improved quantum sampling methods for molecular simulations [0.0]
サンプルベース量子対角化(SQD)性能は古典的対角化部分空間の制御不能な成長の影響を強く受けられることを示す。
次に、非直交的構成相互作用(NOCI)に基づく測定プロトコルを導入することにより、物理的に関連性のあるエネルギー低下構成を効率的に発見する問題に対処する。
これらの改善は、固定された古典的なリソース予算の下でも継続し、結果として得られる構成がより多数のものよりも高品質であることを示す。
論文 参考訳（メタデータ） (2026-08-12T02:27:06Z) - Transformer refined quantum sampling for strongly correlated electronic structure [28.783585072184867]
QiankunNet-QSCIは、システムシミュレーションのためのハイブリッド量子古典的フレームワークである。
USCIアンサッツは、Zuchongzhi 3.1量子プロセッサ上で最も化学的に重要な電子配置を特定するために提案されている。
トランスフォーマーモデルQiankunNetはスパースで重要な量子データから学習し、完全な電子波動関数を推論し、再構成する。
論文 参考訳（メタデータ） (2026-05-23T15:00:59Z) - Quantum-Enhanced Recurrent Neural Networks via Variational Quantum Gating for Battery State of Health Prediction [23.56186537390704]
本稿では,量子回路をメモリネットワークのゲーティング機構に組み込む,QLSTMと呼ばれる量子増幅リカレントフレームワークを提案する。
複数のベンチマークバッテリデータセットに対する大規模な実験により、QLSTMは予測精度とロバスト性の両方で古典的なシーケンスモデルより一貫して優れていることが示された。
論文 参考訳（メタデータ） (2026-04-22T10:57:17Z) - A Resource-Aligned Hybrid Quantum-Classical Framework for Multimodal Face Anti-Spoofing [11.018914804434301]
マルチモーダル面の反偽造では、線形圧縮法は、限られた量子予算を満たすために次元性を減少させることができる。
本稿では,MPS が構造化された事前量子圧縮・融合モジュールとして機能するハイブリッド Matrix Product State (MPS)-Variational Quantum Circuit (VQC) フレームワークを提案する。
我々はMPS-VQCが0.25M未満のパラメータを持つ強い古典的ニューラルネットワークベースラインに匹敵する精度を達成することを示す。
論文 参考訳（メタデータ） (2026-03-29T20:12:47Z) - The Convergence Frontier: Integrating Machine Learning and High Performance Quantum Computing for Next-Generation Drug Discovery [0.0]
量子力学を薬物発見に統合することは、経験的試行錯誤から量的精度への決定的なシフトを示す。
アブ初期分子動力学の禁止コストは、化学的精度と計算スケーラビリティの妥協を迫られた。
本稿では,ハイパフォーマンスコンピューティング,機械学習,量子コンピューティングの収束を,このボトルネックに対する決定的な解決策として挙げる。
論文 参考訳（メタデータ） (2026-03-18T14:51:15Z) - Shot and Architecture Adaptive Subspace Variational Quantum Eigensolver for Microwave Simulation [18.95340169522508]
NISQデバイス上での効率的なマイクロ波導波路固有モードシミュレーションのためのアーキテクチャとショット適応部分空間変動量子固有解器を提案する。
提案フレームワークは、強化学習に基づく回路設計戦略と適応的なショットアロケーション機構を統合し、量子リソースオーバーヘッドを共同で低減する。
論文 参考訳（メタデータ） (2025-12-11T09:34:17Z) - Physics Informed Generative Machine Learning for Accelerated Quantum-centric Supercomputing [0.46906883107634084]
PIGen-SQDは、生成機械学習(ML)の機能を利用する、効率的に設計された量子スーパーコンピュータ(QCSC)ワークフローである。
PIGen-SQDはQCSCアルゴリズムの堅牢性とスケーラビリティを向上し、実用規模の量子ハードウェア上での化学的に信頼性の高い量子シミュレーションへの有望な経路を提供する。
論文 参考訳（メタデータ） (2025-12-07T14:27:12Z) - Quantum Simulation of Ligand-like Molecules through Sample-based Quantum Diagonalization in Density Matrix Embedding Framework [0.0]
この研究は密度行列埋め込み理論(DMET)とサンプルベースの量子対角化(SQD)を組み合わせて、自然配位子のような分子の基底状態エネルギーを計算する。
組込みハミルトンはIBMのイーグルR3超伝導量子ハードウェア上で解決される。
その結果, 試料ベースの量子法は, 強固な埋め込みフレームワークと統合された場合, 化学的に関連する分子系のシミュレーションに向けて, 確実に量子計算を拡張できることが示唆された。
論文 参考訳（メタデータ） (2025-11-27T06:50:52Z) - A decoupled alignment kernel for peptide membrane permeability predictions [35.849562641740754]
本稿では, 化学的に有意な残基残基類似性と配列アライメントを結合したモノマー非結合グローバルアライメントカーネル(MD-GAK)を提案する。
PMD-GAKという三角形の前方位置を組み込んだ変種も導入する。
MD-GAK と PMD-GAK の両方をこのフレームワークに直接適用できるので,予測モデルとしてガウス過程を用いる。
論文 参考訳（メタデータ） (2025-11-26T16:40:41Z) - Qumode-Based Variational Quantum Eigensolver for Molecular Excited States [43.148034499498586]
分子励起状態を計算するためのハイブリッド量子古典アルゴリズムであるQumode Subspace Variational Quantum Eigensolver (QSS-VQE)を紹介する。
本研究では, ジヒドロゲンおよびシトシンの円錐交差を含む分子励起状態のシミュレーションによるQSS-VQEの性能を示す。
論文 参考訳（メタデータ） (2025-09-05T00:53:51Z) - Enhancing Quantum State Reconstruction with Structured Classical Shadows [22.432806329828782]
提案手法では,提案手法を用いてQSTの性能を保証した古典影法(PCS)を提案する。
PCSは、ターゲット部分空間にプロジェクションステップを組み込むことで、標準CSメソッドを拡張している。
行列積演算子状態に対して、PCS法は、$O(n2)$トータル状態コピーで基底構造を復元できることを実証する。
論文 参考訳（メタデータ） (2025-01-06T17:09:38Z) - A self-consistent field approach for the variational quantum
eigensolver: orbital optimization goes adaptive [52.77024349608834]
適応微分組立問題集合型アンザッツ変分固有解法(ADAPTVQE)における自己一貫したフィールドアプローチ(SCF)を提案する。
このフレームワークは、短期量子コンピュータ上の化学系の効率的な量子シミュレーションに使用される。
論文 参考訳（メタデータ） (2022-12-21T23:15:17Z)
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。