論文の概要: Initial-State Preparation for Strongly Correlated Molecules from Matrix Product States: Benchmarking and Environment-Aware Divide-and-Conquer Compilation
- arxiv url: http://arxiv.org/abs/2610.33834v1
- Date: Sat, 24 Oct 2026 18:13:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-29 19:08:59.837204
- Title: Initial-State Preparation for Strongly Correlated Molecules from Matrix Product States: Benchmarking and Environment-Aware Divide-and-Conquer Compilation
- Title（参考訳）: マトリックス製品状態からの強相関分子の初期準備:ベンチマークと環境対応二分法コンパイル
- Abstract要約: 我々は,強い相関関係を持つシステムに対する解析的,変動的,ハイブリッドMPSコンパイル手法をベンチマークする。
状態の不整合性、CNOTゲート数、古典的ランタイム、異なるシステムサイズと結合次元にわたる並列スケーラビリティを比較します。
本研究は,分子シミュレーションのためのMPSコンパイル手法の選択と開発のための実用的なガイダンスを提供する。
- 参考スコア（独自算出の注目度）: 9.966464257061945
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Compiling classically optimized matrix product states (MPSs) into quantum circuits is a promising route to initial-state preparation for strongly correlated molecules, but the accuracy, gate cost, and classical scalability of existing MPS compilation methods have not been systematically assessed. Here, we benchmark representative analytical, variational, and hybrid MPS compilation methods for strongly correlated systems including hydrogen chains and iron-sulfur clusters. We compare state infidelity, CNOT gate count, classical runtime, and parallel scalability across different system sizes and bond dimensions. We also introduce a divide-and-conquer environment-aware compilation algorithm (DCE), which optimizes each local isometry approximation according to its contribution to the prepared-state fidelity. The results reveal complementary operating regimes: direct variational compilation methods are gate-efficient for some smaller molecular systems with $O(10)$ qubits and $O(10)$ bond dimensions or moderate accuracy targets with infidelity of order $10^{-1}$, whereas divide-and-conquer methods scale more favorably for larger systems and relatively higher bond dimensions of $O(10\text{-}10^2)$, particularly when target infidelities below $10^{-1}$ are required. Within the latter family, environment-aware optimization improves accuracy over unitary-distance-based compilation while retaining task-level parallelism. For the FeMo-cofactor (FeMoco), we find the DCE algorithm together with the MPS obtained in the entanglement-minimized orbitals (EMOs) provides a resource-efficient route to initial-state preparation. Our results provide practical guidance for selecting and developing MPS compilation methods for strongly correlated molecular simulations.
- Abstract（参考訳）: 古典的に最適化された行列積状態(MPS)を量子回路にコンパイルすることは、強い相関性を持つ分子の初期状態の準備に期待できるルートであるが、既存のMPSコンパイル手法の精度、ゲートコスト、古典的スケーラビリティは体系的に評価されていない。
本稿では, 水素鎖や鉄-硫黄クラスターを含む強相関系に対する, 解析的, 変動的, ハイブリッドMPSコンパイル法をベンチマークする。
状態の不整合性、CNOTゲート数、古典的ランタイム、異なるシステムサイズと結合次元にわたる並列スケーラビリティを比較します。
また,各局所アイソメトリ近似を,準備状態の忠実度への寄与に応じて最適化するDCEアルゴリズムも導入した。
O(10)$ qubits and $O(10)$ bond dimensions or moderate accuracy target with infidelity of order 10^{-1}$, while divide-and-conquer method scale better favorably for larger systems and relatively higher bond dimensions of $O(10\text{-}10^2)$, especially when target infidelities below 10^{-1}$。
後者のファミリーでは、タスクレベルの並列性を維持しながら、環境対応の最適化により、ユニタリ距離ベースのコンパイルよりも精度が向上する。
FeMo-cofactor (FeMoco) では, エンタングルメント最小化軌道 (EMOs) で得られたMPSとともにDCEアルゴリズムが初期状態への資源効率の高い経路を提供する。
本研究は,分子シミュレーションのためのMPSコンパイル手法の選択と開発のための実用的なガイダンスを提供する。
関連論文リスト
- Shape Operator PCA: Curvature-Aware Projections for Geometric Machine Learning [52.452902154360565]
SHOPCA (Shape Operator-based principal Component Analysis) は、教師なしメトリック学習と次元減少のための新しい手法である。
我々は、50以上の実世界のベンチマークデータセット上でSHOPCAを評価する。
論文 参考訳（メタデータ） (2026-08-15T16:37:47Z) - A Transferable Machine Learning Approach to Predict Optimized Orbitals for Electronic Structure Problems [0.49259062564301753]
変分量子固有解法は、量子ハードウェア上での基底状態エネルギー計算にかなりの可能性を秘めている。
本稿では,分子構造と対結合構造から直接,最適化された軌道係数を予測するグラフニューラルネットワークフレームワークを提案する。
我々のモデルは平均絶対エネルギー誤差$mathcalO(102)$と$mathcalO$ milli-Hartreesに達する。
論文 参考訳（メタデータ） (2026-05-05T18:12:05Z) - Scalable Preparation of Matrix Product States with Sequential and Brick Wall Quantum Circuits [0.0]
マトリックス製品状態(MPS)は、回路の複雑さのために精度が交換されるときにより効率的な構成を認める。
この作業では,両戦略の長所をひとつのパイプラインで組み合わせた,エンドツーエンドのMPS準備フレームワークを導入している。
論文 参考訳（メタデータ） (2026-02-12T15:07:11Z) - Synergistic Computational Approaches for Accelerated Drug Discovery: Integrating Quantum Mechanics, Statistical Thermodynamics, and Quantum Computing [0.0]
タンパク質-リガンド結合自由エネルギー(Bs)の正確な予測は、薬物発見における中心的な課題である。
本稿では、マイニングミニマサンプリングと量子力学的に洗練された配位子部分電荷を組み合わせたハイブリッド量子古典フレームワークを提案する。
23個のタンパク質ターゲットと533の合計で、1.10 kcal/molの絶対誤差を高いランクの忠実度で達成する。
論文 参考訳（メタデータ） (2025-12-05T20:47:34Z) - Parametrized Multi-Agent Routing via Deep Attention Models [1.0377683220196872]
パラメタライズドシーケンシャル意思決定のためのスケーラブルなディープラーニングフレームワーク(ParaSDM)を提案する。
この設定の重要なサブクラスは、複数のエージェントシステムが最適なルートと位置を同時に決定する必要がある施設と場所(FLPO)である。
これを解決するために、最大エントロピー原理(MEP)と、最短経路ネットワーク(SPN)と呼ばれるニューラルポリシーモデルを統合する。
論文 参考訳（メタデータ） (2025-07-30T02:46:45Z) - EPS-MoE: Expert Pipeline Scheduler for Cost-Efficient MoE Inference [49.94169109038806]
本稿では,既存の並列処理方式を超越したMoE用パイプラインスケジューラであるEPS-MoEを紹介する。
その結果,既存の並列推論手法と比較して,プリフィルスループットは52.4%向上した。
論文 参考訳（メタデータ） (2024-10-16T05:17:49Z) - Computing Low-Entropy Couplings for Large-Support Distributions [53.00113867130712]
最小エントロピー結合は因果関係やステガノグラフィーなどの分野で応用されている。
既存のアルゴリズムは、大容量の分布に対して計算的に抽出可能であるか、特定の分布タイプに限定されている。
この研究は、事前の反復MECアプローチを一般化されたパーティションベースの形式主義に統一することにより、これらの制限に対処する。
論文 参考訳（メタデータ） (2024-05-29T21:54:51Z) - Sample-efficient Learning of Infinite-horizon Average-reward MDPs with General Function Approximation [53.17668583030862]
一般関数近似の文脈において,無限水平平均逆マルコフ決定過程(AMDP)について検討する。
最適化最適化(LOOP)と呼ばれる新しいアルゴリズムフレームワークを提案する。
我々は LOOP がサブ線形 $tildemathcalO(mathrmpoly(d, mathrmsp(V*)) sqrtTbeta )$ regret を達成することを示す。
論文 参考訳（メタデータ） (2024-04-19T06:24:22Z) - High-dimensional mixed-categorical Gaussian processes with application
to multidisciplinary design optimization for a green aircraft [0.6749750044497732]
本稿では, 部分最小二乗回帰に依存する革新的次元減少アルゴリズムを提案する。
我々のゴールは、混合カテゴリー入力を扱うために古典的な次元還元技法を一般化することである。
提案手法の利点は, 構造的・多分野的な応用の両面において実証される。
論文 参考訳（メタデータ） (2023-11-10T15:48:51Z) - Matching Pursuit Based Scheduling for Over-the-Air Federated Learning [67.59503935237676]
本稿では,フェデレートラーニング手法を用いて,オーバー・ザ・エアラーニングのための低複雑さデバイススケジューリングアルゴリズムのクラスを開発する。
最先端の提案方式と比較すると,提案方式は極めて低効率なシステムである。
提案手法の有効性は,CIFARデータセットを用いた実験により確認した。
論文 参考訳（メタデータ） (2022-06-14T08:14:14Z)
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。