論文の概要: A Hybrid Quantum Neural Network to Analyse Big Experimental Powder X-ray Diffraction Data

• arxiv url: http://arxiv.org/abs/2609.22376v1
• Date: Thu, 17 Sep 2026 20:48:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.361328
• Title: A Hybrid Quantum Neural Network to Analyse Big Experimental Powder X-ray Diffraction Data
• Title（参考訳）: 粉末X線回折データ解析のためのハイブリッド量子ニューラルネットワーク
• Abstract要約: 本稿では,粉体回折パターンから直接量的パラメータを抽出するためのハイブリッド量子ニューラルネットワークフレームワークを提案する。 我々は、訓練されたネットワークをIBM量子コンピュータにデプロイすることで、このアプローチの実用性を実証する。 このネットワークは、古典的なリートヴェルト精錬と強く一致して、定量的空間位相写像の再構成に成功した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantitative analysis of experimental powder X-ray diffraction data remains challenging when evaluating complex multiphase materials and noisy measurements. We introduce a hybrid quantum neural network framework designed to extract quantitative parameters, such as phase weight fractions and scale factors, directly from one-dimensional powder diffraction patterns without iterative refinement. The model combines noise-aware classical simulator pre-training with fast downstream fine-tuning on quantum processing unit features, ensuring stability against hardware decoherence. We demonstrate the practical utility of this approach by deploying the trained network onto an IBM quantum computer to analyse experimental X-ray diffraction computed tomography datasets from a three-phase solid oxide fuel cell containing ca. 10,000 patterns and a four-phase lithium-ion battery containing ca. 20,000 patterns). The network successfully reconstructs quantitative spatial phase maps in strong agreement with classical Rietveld refinement, paving the way for using quantum computing hardware to analyse real-world materials characterisation data.
• Abstract（参考訳）: 複合多相材料の評価やノイズ測定において, 実験粉末X線回折データの定量分析は依然として困難である。 本稿では, 1次元粉末回折パターンから直接, 位相重分率やスケール係数などの定量的パラメータを抽出するためのハイブリッド量子ニューラルネットワークフレームワークを提案する。 このモデルは、ノイズ対応古典シミュレータの事前トレーニングと量子処理ユニットの高速なダウンストリーム微調整を組み合わせることで、ハードウェアのデコヒーレンスに対する安定性を確保する。 実験的なX線回折線トモグラフィーデータセットを,Caを含む三相固体酸化物燃料電池から解析するために,IBM量子コンピュータ上にトレーニングネットワークを配置することで,このアプローチの実用性を実証する。 1万パターンと4相リチウムイオン電池。 20,000パターン)。 このネットワークは、量子コンピューティングハードウェアを用いて現実世界の物質特性データを解析する方法を編み出し、古典的なリートベルトの改良と強く一致して、定量的空間位相マップを再構築することに成功した。

関連論文リスト

• Digital Quantum Simulation of the quantum $β$-FPUT Lattice: Formulation and Resource Estimation [0.0]
  低次元系の熱伝導は、非調和性および長寿命振動相関によるフーリエの挙動から強い逸脱を示す。 本研究では,フォールトトレラント量子コンピュータを対象とした量子$-FPUT格子のための量子量子シミュレーションフレームワークを開発した。
  論文  参考訳（メタデータ） (2026-05-27T09:27:23Z)
• Benchmarking quantum simulation with neutron-scattering experiments [0.0]
  最大50量子ビットで動作する超伝導量子プロセッサは、非弾性中性子散乱測定と有意かつ定量的に比較できることを示す。 シミュレーションを1D XXZ Heisenbergモデルに拡張し、隣同士の非定常相互作用と強い異方性を持ち、ギャップ付き励起スペクトルを生成する。
  論文  参考訳（メタデータ） (2026-03-16T17:56:58Z)
• Quantum Machine Learning for Predicting Binding Free Energies in Structure-Based Virtual Screening [0.0]
  分子情報を量子状態にエンコードする量子機械学習手法を導入する。 6つの量子回路ユニットを持つモデルでは、RMSDは2.37 kcal/mol、ピアソン相関は0.650である。
  論文  参考訳（メタデータ） (2025-07-24T14:01:39Z)
• Quantum-Classical Embedding via Ghost Gutzwiller Approximation for Enhanced Simulations of Correlated Electron Systems [3.5408300118027243]
  現在の量子ハードウェア上での相関物質のシミュレーションは、限られた量子資源のために難しいままである。 量子埋め込み法は計算複雑性を減らして有望な経路を提供する。 この研究はゴーストグッツウィラー近似に基づく量子古典的な埋め込みフレームワークを開発する。
  論文  参考訳（メタデータ） (2025-06-01T22:47:31Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• Photonic Quantum Computing For Polymer Classification [62.997667081978825]
  2つのポリマークラス (VIS) と近赤外 (NIR) は, ポリマーギャップの大きさに基づいて定義される。 高分子構造の二項分類に対する古典量子ハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2022-11-22T11:59:52Z)
• Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
  我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。 結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。 シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
  論文  参考訳（メタデータ） (2022-02-01T03:53:39Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)

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。