論文の概要: Foundation Neural-Network Quantum States for Molecular Potential Energy Surfaces in Second Quantization

• arxiv url: http://arxiv.org/abs/2609.37733v1
• Date: Tue, 29 Sep 2026 14:54:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.649819
• Title: Foundation Neural-Network Quantum States for Molecular Potential Energy Surfaces in Second Quantization
• Title（参考訳）: 第2量子化における分子ポテンシャルエネルギー表面のニューラルネットワーク量子状態
• Abstract要約: 我々は、第2量子化における分子電子構造のための幾何学条件の基礎的ニューラルネットワーク量子状態を導入する。 単一の自己回帰モデルは、スパースアンカー測地から基底状態の族を学ぶ。 軌道アライメントは軌道のアイデンティティと一致し、それらの位相を輸送し、測地線をまたいだ軌道ベースを確立する。
• 参考スコア（独自算出の注目度）: 48.94402084735484
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Second-quantized neural-network quantum states have achieved accurate molecular energies, but extending them across molecular geometries requires a shared representation of the geometry-dependent wavefunction coefficients. We introduce geometry-conditioned foundation neural-network quantum states for molecular electronic structure in second quantization. A single autoregressive model learns a family of ground states from sparse anchor geometries and provides wavefunctions at untrained geometries without further optimization. Orbital alignment matches orbital identities and transports their phases, establishing an aligned orbital basis across geometries. Frozen energies reach chemical accuracy at every untrained query geometry for N$_2$, CO, and H$_4$. On additional molecular paths, the energy-trained wavefunctions yield dipoles, quadrupoles, and natural occupations without property labels. Across three paired N$_2$ training seeds, orbital alignment lowers the mean absolute energy error over all untrained query geometries from 34-37 mHa to 0.049-0.085 mHa. At approximately 1 mHa mean absolute error, frozen evaluation reduces the per-geometry cost by $986\times$ relative to independent optimization, yielding an estimated $25.8\times$ end-to-end GPU-cost reduction on a 161-point N$_2$ grid.
• Abstract（参考訳）: 第二量子化ニューラルネット量子状態は正確な分子エネルギーを達成したが、それらを分子ジオメトリーに拡張するには幾何学に依存した波動関数の共有表現が必要である。 我々は、第2量子化における分子電子構造のための幾何学条件の基礎的ニューラルネットワーク量子状態を導入する。 単一自己回帰モデルは、スパースアンカー測地から基底状態の族を学習し、さらなる最適化なしに未訓練測地での波動関数を提供する。 軌道アライメントは軌道のアイデンティティと一致し、それらの位相を輸送し、測地線をまたいだ軌道ベースを確立する。 凍結エネルギーは、N$_2$, CO, H$_4$の任意の未訓練クエリ幾何において化学的精度に達する。 追加の分子経路では、エネルギーによって訓練された波動関数は、性質ラベルのない双極子、四重極子、自然な占有物を生成する。 3対のN$2$のトレーニング種のうち、軌道アライメントは、訓練されていない全てのクエリージオメトリーの平均絶対エネルギー誤差を34-37 mHaから0.049-0.085 mHaに下げる。 約1mHaの平均絶対誤差で、凍結した評価は、独立最適化と比較して、幾何当たりのコストを986\times$で削減し、推定25.8\times$エンド・ツー・エンドのGPUコストを161ポイントのN$_2$グリッドで削減する。

関連論文リスト

• Geometric Latent Space Tomography with Metric-Preserving Autoencoders [0.0]
  本稿では,古典的ニューラルエンコーダとパラメータ化量子回路デコーダを組み合わせた幾何学的潜時空間トモグラフィーを提案する。 我々の幾何対応潜在空間は、ユークリッド距離からの直接状態の判別、およびフルトモグラフィーを繰り返すことなく量子エラー軽減のための解釈可能な誤差を可能にする。
  論文  参考訳（メタデータ） (2025-12-16T20:18:10Z)
• Data Efficient Prediction of excited-state properties using Quantum Neural Networks [4.7436936193373604]
  分子基底状態から励起状態特性を予測する量子機械学習モデルを提案する。 このモデルは、対称性不変の量子ニューラルネットワークと、従来のニューラルネットワークとから構成される。 わずかなトレーニングデータポイントだけで正確な予測を提供することができる。
  論文  参考訳（メタデータ） (2024-12-12T16:30:23Z)
• Geometry of degenerate quantum states, configurations of $m$-planes and invariants on complex Grassmannians [55.2480439325792]
  退化状態の幾何学を非アーベル接続(英語版)$A$に還元する方法を示す。 部分空間のそれぞれに付随する独立不変量を見つける。 それらのいくつかはベリー・パンチャラトナム位相を一般化し、1次元部分空間の類似点を持たないものもある。
  論文  参考訳（メタデータ） (2024-04-04T06:39:28Z)
• 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)
• Studying chirality imbalance with quantum algorithms [62.997667081978825]
  我々は(1+1)次元ナムブ・ジョナ・ラシニオ(NJL)モデルを用いて、強相互作用物質のキラル相構造とキラル電荷密度を研究する。 量子想像時間進化法 (QITE) を用いて, 格子上の (1+1) 次元NJLモデルを温度$T$, 化学ポテンシャル$mu$, $mu_5$でシミュレートする。
  論文  参考訳（メタデータ） (2022-10-06T17:12:33Z)
• 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)
• Variational quantum algorithm for molecular geometry optimization [0.0]
  分子の最も安定な構造を見つけるための変分量子アルゴリズムを提案する。 分子の平衡幾何学は、より一般的なコスト関数を最小化することによって得られる。 全ての量子シミュレーションは、量子微分可能プログラミングのためのペニーレーンライブラリを用いて実行される。
  論文  参考訳（メタデータ） (2021-06-25T18:34:44Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• Investigating a (3+1)D Topological $\theta$-Term in the Hamiltonian Formulation of Lattice Gauge Theories for Quantum and Classical Simulations [0.0]
  アーベル格子ゲージ理論と非アーベル格子ゲージ理論の3+1Dトポロジカル$theta$termを導出する。 3+1)D U(1)格子ゲージ理論の零温度相構造を数値解析する。
  論文  参考訳（メタデータ） (2021-05-13T01:10:42Z)
• Gauge Invariant and Anyonic Symmetric Transformer and RNN Quantum States for Quantum Lattice Models [16.987004075528606]
  我々はゲージ不変あるいは正準対称自己回帰型ニューラルネットワーク量子状態を構築するための一般的なアプローチを開発する。 提案手法は,2次元および3次元のトーリック符号の基底および励起状態の正確な表現が可能であることを証明している。 我々は、様々なモデルのためのリアルタイム力学と同様に、基底状態のための自己回帰ニューラルネットワークの対称性を変動的に最適化する。
  論文  参考訳（メタデータ） (2021-01-18T18:55:21Z)

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。