論文の概要: Quantum machine learning interatomic potential: Application of variational quantum algorithm

• arxiv url: http://arxiv.org/abs/2607.27841v1
• Date: Thu, 30 Jul 2026 08:23:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.452002
• Title: Quantum machine learning interatomic potential: Application of variational quantum algorithm
• Title（参考訳）: 量子機械学習による原子間ポテンシャル:変分量子アルゴリズムの適用
• Authors: Kohei Numata, Wataru Mizukami, Kosuke Mitarai, Keisuke Fujii, Yutaka Imamura,
• Abstract要約: 我々は、量子転送学習アーキテクチャを用いてANIモデルを再訓練し、量子回路シミュレータを用いて数値的精度を評価した。 評価の結果、MLIPの古典的ニューラルネットワークに量子回路を挿入すると、完全に古典的なニューラルネットワークよりもわずかに高い精度が得られることがわかった。
• 参考スコア（独自算出の注目度）: 2.511618458985613
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study applied quantum circuit learning, a commonly used hybrid quantum-classical machine learning algorithm, to a machine learning interatomic potential (MLIP) for predicting the energies of molecules in molecular datasets. We retrained the ANI model using the quantum transfer learning architecture [Mari et al., Quantum, 4:340, 2020] and evaluated numerical accuracy with a quantum circuit simulator. The evaluation confirmed that inserting a quantum circuit into the classical neural network of the MLIP yielded slightly higher accuracy than the fully classical neural network under certain conditions. In particular, the model incorporating a quantum circuit was more effective when the pretraining model had room for improvement in accuracy. These findings may contribute to advancing the application of quantum machine learning for MLIPs.
• Abstract（参考訳）: 本研究では、分子データセット中の分子のエネルギーを予測するための機械学習原子間ポテンシャル(MLIP)に量子回路学習を適用した。 量子転送学習アーキテクチャ(Mari et al , Quantum, 4:340, 2020)を用いてANIモデルを再訓練し,量子回路シミュレータを用いて数値的精度を評価した。 評価の結果、MLIPの古典的ニューラルネットワークに量子回路を挿入すると、特定の条件下での完全古典的ニューラルネットワークよりも若干高い精度が得られることがわかった。 特に、事前学習モデルが精度を向上させる余地がある場合、量子回路を組み込んだモデルはより効果的であった。 これらの発見は、MLIPへの量子機械学習の適用の進展に寄与する可能性がある。

関連論文リスト

• Training Hybrid Deep Quantum Neural Network for Efficient Reinforcement Learning [3.753031740069576]
  量子回路は、次元が指数関数的に増加するヒルベルト空間にデータを埋め込む。 量子回路を局所的に近似する有接サロゲートqtDNNを導入する。 我々は、連続制御強化学習のためのハイブリッドディープ量子ニューラルネットワークhDQNN-TD3を設計する。
  論文  参考訳（メタデータ） (2025-03-12T07:12:02Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
  量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか? 我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。 そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Quantum Hamiltonian Embedding of Images for Data Reuploading Classifiers [0.9374652839580181]
  最初の考慮事項の1つは、量子機械学習モデル自体の設計である。 最近の研究は、スピードアップによる量子アドバンテージが量子機械学習の正しい目標かどうかを疑問視し始めた。 本稿では,古典的なディープラーニングアルゴリズムの設計を量子ニューラルネットワークの設計に取り入れることで,代替手法を提案する。
  論文  参考訳（メタデータ） (2024-07-19T06:31:22Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Quantum Machine Learning: from physics to software engineering [58.720142291102135]
  古典的な機械学習アプローチが量子コンピュータの設備改善にどのように役立つかを示す。 量子アルゴリズムと量子コンピュータは、古典的な機械学習タスクを解くのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-04T23:37:45Z)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• Comparing concepts of quantum and classical neural network models for image classification task [0.456877715768796]
  本資料は、ハイブリッド量子古典ニューラルネットワークのトレーニングと性能に関する実験結果を含む。 シミュレーションは時間を要するが、量子ネットワークは時間を要するが、古典的なネットワークを克服する。
  論文  参考訳（メタデータ） (2021-08-19T18:49:30Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)

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。