論文の概要: Variational Quantum Circuit Parameterization of SchNet: A Simulator-Based Feasibility Study for Conservative Molecular Force Fields
- arxiv url: http://arxiv.org/abs/2608.19532v1
- Date: Thu, 20 Aug 2026 01:07:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.429386
- Title: Variational Quantum Circuit Parameterization of SchNet: A Simulator-Based Feasibility Study for Conservative Molecular Force Fields
- Title（参考訳）: SchNetの変分量子回路パラメータ化:分子動力学のシミュレーションに基づく実現可能性の研究
- Abstract要約: 本稿では,変分量子回路モジュールを連続フィルタ型SchNetフレームワークに統合したHybrid Quantum SchNetアーキテクチャを提案する。
量子モジュールはフィルタジェネレータに挿入され、原子単位の更新と読み出し変換が行われる。
エネルギーのみの訓練と比較すると、合同エネルギー力監督はエネルギーと力の予測精度を大幅に改善する。
- 参考スコア（独自算出の注目度）: 0.8004597666699035
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine-learning force fields provide a promising route for accelerating molecular simulation by replacing expensive quantum-chemical calculations with differentiable models of molecular energies and atomic forces. However, learning accurate and energy-conserving forces remains challenging, especially when the model must capture both global energy trends and local potential-energy gradients from limited data. In this work, we propose a Hybrid Quantum SchNet architecture that integrates variational quantum circuit modules into the continuous-filter SchNet framework. Quantum modules are inserted into the filter generator, atom-wise update, and readout transformations, allowing quantum-enhanced feature mappings to contribute to distance-dependent interactions and atomic energy prediction while preserving the energy-gradient formulation of forces. The model is evaluated on eight MD17 molecular systems using 1000 training configurations per molecule. Compared with energy-only training, joint energy--force supervision substantially improves both energy and force prediction accuracy. Compared with energy-only training, joint energy--force supervision substantially improves both energy and force prediction accuracy. Averaged over the benchmark, the energy MAE decreases from 2.567 to 0.593 kcal mol$^{-1}$, while the force MAE decreases from 16.340 to 1.540 kcal mol$^{-1}$ Å$^{-1}$. Ablation experiments on ethanol further show that the performance of the hybrid model depends on the balance between quantum circuit width, circuit depth, and optimization stability. These results demonstrate that variational quantum circuits can be incorporated into neural force-field architectures and trained end-to-end to improve molecular energy and force prediction.
- Abstract（参考訳）: 機械学習力場は、高価な量子化学計算を分子エネルギーと原子力の異なるモデルに置き換えることで、分子シミュレーションを加速するための有望な経路を提供する。
しかし、特にモデルが限られたデータから大域的なエネルギートレンドと局所的なポテンシャルエネルギー勾配の両方を捉える必要がある場合、正確なエネルギー保存力の学習は依然として困難である。
本研究では,変分量子回路モジュールを連続フィルタ型SchNetフレームワークに統合したハイブリッド量子SchNetアーキテクチャを提案する。
量子モジュールは、フィルタジェネレータ、原子単位の更新、読み出し変換に挿入され、力のエネルギー勾配の定式化を保ちながら、距離依存的な相互作用や原子エネルギー予測に量子強化された特徴写像が寄与する。
このモデルは分子単位で1000のトレーニング構成を用いて8つのMD17分子系で評価される。
エネルギーのみの訓練と比較すると、合同エネルギー力監督はエネルギーと力の予測精度を大幅に改善する。
エネルギーのみの訓練と比較すると、合同エネルギー力監督はエネルギーと力の予測精度を大幅に改善する。
平均的なベンチマークでは、エネルギーMAEは2.567から0.593 kcal mol$^{-1}$に減少し、力MAEは16.340から1.540 kcal mol$^{-1}$に減少する。
エタノールのアブレーション実験により、ハイブリッドモデルの性能は、量子回路幅、回路深さ、最適化安定性のバランスに依存することが示された。
これらの結果は、分子エネルギーと力の予測を改善するために、変分量子回路をニューラルフォースフィールドアーキテクチャと訓練されたエンドツーエンドに組み込むことができることを示している。
関連論文リスト
- Quantum-centric machine learning for molecular dynamics [9.147935750042352]
ab initio法は、あらゆる核配置における電子状態の自己一貫性の最適化を必要とする。
量子中心機械学習(QCML)モデルを導入する。
トランスフォーマーを様々な分子のデータセットで事前訓練することにより、QCMLは分子記述子とPQCパラメータ間の転送可能なマッピングを学習する。
論文 参考訳（メタデータ） (2025-11-11T02:41:31Z) - Multi-Photon Quantum Rabi Models with Center-of-Mass Motion [45.73541813564926]
本稿では,多価ロンバダの原子を空洞内で記述するための厳密な第二量子化フレームワークを提案する。
このアプローチの重要な特徴は、ハミルトニアン平均化理論の原子場作用素への体系的応用である。
顕著な発見は、粒子-粒子相互作用の出現である。
論文 参考訳（メタデータ） (2025-07-07T09:50:48Z) - How to use quantum computers for biomolecular free energies [2.7113856644674037]
自由エネルギー計算は物理学に基づく生化学プロセスの分析の中心にある。
本稿では, サブストラクチャで得られた正確な量子力学データを, 機械学習による生体分子複合体全体のポテンシャルエネルギーに連続的に関連付ける方法を示す。
論文 参考訳（メタデータ） (2025-06-25T16:27:36Z) - Molecular Quantum Transformer [0.0]
分子量子変換器(MQT)は、全ての構成の基底状態エネルギーを効率的に計算できる。
提案手法は, 既存の量子アルゴリズムの代替として, 基底状態エネルギーを推定する。
論文 参考訳（メタデータ） (2025-03-27T16:54:15Z) - Machine-learned molecular mechanics force field for the simulation of
protein-ligand systems and beyond [33.54862439531144]
生体分子シミュレーションとコンピュータ支援薬物設計には, 信頼性および分子力学(MM)力場の開発が不可欠である。
本稿では、一般化された機械学習型MM力場、ttexttespaloma-0.3、およびグラフニューラルネットワークを用いたエンドツーエンドの微分可能なフレームワークを紹介する。
力場は、小さな分子、ペプチド、核酸を含む薬物発見に非常に関係した化学ドメインの量子化学エネルギー特性を再現する。
論文 参考訳（メタデータ） (2023-07-13T23:00:22Z) - Molecular Geometry-aware Transformer for accurate 3D Atomic System
modeling [51.83761266429285]
本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。
MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
論文 参考訳（メタデータ） (2023-02-02T03:49:57Z) - Equation-of-motion variational quantum eigensolver method for computing
molecular excitation energies, ionization potentials, and electron affinities [4.21608910266125]
短期量子コンピュータは正確な分子シミュレーションを通じて物質と化学の研究を促進することが期待されている。
本稿では,変分量子固有解法に従って励起エネルギーを計算するための運動方程式に基づく手法を提案する。
論文 参考訳（メタデータ） (2022-06-21T16:21:04Z) - Variational Adiabatic Gauge Transformation on real quantum hardware for
effective low-energy Hamiltonians and accurate diagonalization [68.8204255655161]
変分アダバティックゲージ変換(VAGT)を導入する。
VAGTは、現在の量子コンピュータを用いてユニタリ回路の変動パラメータを学習できる非摂動型ハイブリッド量子アルゴリズムである。
VAGTの精度は、RigettiおよびIonQ量子コンピュータ上でのシミュレーションと同様に、トラフ数値シミュレーションで検証される。
論文 参考訳（メタデータ） (2021-11-16T20:50:08Z) - Computing molecular excited states on a D-Wave quantum annealer [52.5289706853773]
分子系の励起電子状態の計算にD波量子アニールを用いることを実証する。
これらのシミュレーションは、太陽光発電、半導体技術、ナノサイエンスなど、いくつかの分野で重要な役割を果たしている。
論文 参考訳（メタデータ） (2021-07-01T01:02:17Z) - Evolution of a Non-Hermitian Quantum Single-Molecule Junction at
Constant Temperature [62.997667081978825]
常温環境に埋め込まれた非エルミート量子系を記述する理論を提案する。
確率損失と熱ゆらぎの複合作用は分子接合の量子輸送を補助する。
論文 参考訳（メタデータ） (2021-01-21T14:33:34Z) - Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。
どちらの手法もエネルギーと基底状態の優れた推定値を提供する。
勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
論文 参考訳（メタデータ） (2020-11-02T19:52:04Z)
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。