論文の概要: AI for Parameter Selection in Sample-based Quantum Diagonalization
- arxiv url: http://arxiv.org/abs/2611.18307v1
- Date: Fri, 13 Nov 2026 15:27:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.354951
- Title: AI for Parameter Selection in Sample-based Quantum Diagonalization
- Title(参考訳): サンプルベース量子対角化におけるパラメータ選択のためのAI
- Abstract要約: オラクルモデルは、ハミルトニアンと候補構成から量子ランタイムと近似誤差を予測することができる。
機械学習モデルでは、事前に定義されたグリッド内の最良の構成にハミルトンモデルを直接マッピングできることが示される。
分子ハミルトニアンに対しては、モデルが事前実現可能性と資源推定を提供する。
- 参考スコア(独自算出の注目度): 12.16120673104404
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Sample-based Quantum Diagonalization (SQD) methods provide a way to compute molecular ground-state energies, but their accuracy and runtime depend sensitively on configuration choices such as the subspace dimension, propagation timestep, and the allocation of a fixed sampling budget across circuits, for which no formal selection method exists. In this work, we explore whether oracle models can predict the quantum runtime and approximation error from the Hamiltonian and the candidate configuration. Using synthetic Hamiltonians with controllable spectral properties, we show that machine-learned models can map a Hamiltonian directly to the best-ranked configuration within a predefined grid for the SKQD algorithm, validated against classical Krylov propagation, achieving strong rank correlations between true and predicted error and runtime, Spearman $ρ= 0.969$ and $ρ= 0.905$, respectively. Extending the approach to 50 molecular Hamiltonians (20-50 qubits), with reference ground-state energies from classical calculations, we train regressors that predict the simulation error and runtime for a given molecule--configuration pair ahead of execution, and classifiers to distinguish, from 600 SqDRIFT quantum-hardware runs, whether a configuration achieves a ground-state energy within chemical accuracy ($1.6\times10^{-3}$ Ha $\approx 1$ kcal/mol). For the molecular Hamiltonians, the models additionally provide an a priori feasibility and resource estimate, predicting whether a molecule can reach chemical accuracy on current hardware and at what runtime, thus correctly classifying held-out molecules at the molecule level, achieving balanced accuracy 61.8% in-distribution and 100% for five larger held-out molecules.
- Abstract(参考訳): サンプルベース量子対角化法(SQD)は、分子基底状態エネルギーを計算する方法を提供するが、その精度と実行時間は、部分空間次元、伝播時間ステップ、回路間の固定サンプリング予算の割り当てなどの構成選択に敏感に依存し、正式な選択方法が存在しない。
本研究では,量子ランタイムと近似誤差をハミルトニアンと候補構成から予測できるかどうかを考察する。
制御可能なスペクトル特性を持つ合成ハミルトニアンを用いて、機械学習モデルは、SKQDアルゴリズムの事前定義されたグリッド内の最良階構成に直接ハミルトンをマッピングし、古典的クリロフ伝播に対して検証し、真と予測されたエラーと実行の間の強いランク相関をそれぞれ達成し、Spearman $ρ=0.969$および$ρ=0.905$とする。
50の分子ハミルトニアン (20-50 qubits) へのアプローチを拡張し、古典的な計算から基底状態のエネルギーを参考に、与えられた分子構成ペアのシミュレーションエラーと実行時を予測する回帰器を訓練し、600のSqDRIFT量子ハードウェアと区別するために分類器を訓練し、構成が化学精度で基底状態のエネルギーを達成できるか(1.6\times10^{-3}$ Ha $\approx 1$ kcal/mol)。
分子ハミルトニアンにとって、モデルはさらに事前実現可能性と資源推定を提供し、分子が現在のハードウェアおよびどのランタイム上で化学精度に達するかを予測し、分子レベルで保持分子を正しく分類し、バランスの取れた精度61.8%、より大きな5つの保持分子に対して100%を達成する。
関連論文リスト
- Quantum algorithm for weakly correlated molecular electronic ground states with sub-quintic scaling in the system size [2.065960888086613]
弱相関分子の基底状態エネルギー推定のための量子アルゴリズムを提案する。
このアルゴリズムは、滑らかなGevreyスケジュールと量子プロレート対角化による固有状態フィルタリングを用いて、断熱状態の準備を行う。
物理量子資源推定は、最大40個のスピン軌道を持つトロッターステップ回路を実行するために得られる。
論文 参考訳(メタデータ) (2026-10-31T09:01:04Z) - A Fixed-Point Neural Operator for Size- and Functional-Transferable Hamiltonian Prediction [42.288858735711905]
HamEvoは単一ステップの自己整合更新を学習し、収束したハミルトニアンを固定点として返すニューラル演算子である。
推論は従来のDFTの242倍高速である。
論文 参考訳(メタデータ) (2026-06-12T14:31:28Z) - Hamiltonian simulation-based quantum-selected configuration interaction for large-scale electronic structure calculations with a quantum computer [0.0]
Hamiltonian Simulation-based QSCI (HSB-QSCI) は、現在の量子コンピュータを用いた量子化学計算のアプローチである。
我々は, オリゴアセン (ベンゼン, ナフタレン, アントラセン) , フェニレン-1, 4-ジニトリエン, ヘキサ-1,2,3,4,5-ペンタエン) の最低スピンシンクレットおよび三重項状態の数値シミュレーションを行った。
HSB-QSCIは、36量子ビット系におけるスレーター行列式の約1%を考慮し、活性空間における相関エネルギーの99.18%以上を捕捉する。
論文 参考訳(メタデータ) (2024-12-10T06:16:26Z) - Orbital-rotated Fermi-Hubbard model as a benchmarking problem for quantum chemistry with the exact solution [0.0]
我々は、量子化学アルゴリズムのスケーラブルで正確に解けるベンチマーク問題として、軌道回転フェルミ・ハバード(ORFH)モデルを紹介した。
我々は演算子ノルムと電子相関を含む複数の観点からORFHハミルトニアンを解析する。
以上の結果から,ORFHモデルは量子化学アルゴリズムをベンチマークするための多用途でスケーラブルなテストベッドを提供することが示された。
論文 参考訳(メタデータ) (2024-02-19T06:24:54Z) - QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。
現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
論文 参考訳(メタデータ) (2023-06-15T23:39:07Z) - 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) - Even more efficient quantum computations of chemistry through tensor
hypercontraction [0.6234350105794442]
量子化学ハミルトニアンのスペクトルを$N$任意の軌道で符号化するトフォリ複雑性を$widetildecal O(N)$で記述する。
これは、任意の基底で化学の量子計算で示された最も低い複雑性である。
論文 参考訳(メタデータ) (2020-11-06T18:03:29Z) - Gate-free state preparation for fast variational quantum eigensolver
simulations: ctrl-VQE [0.0]
VQEは現在、短期量子コンピュータ上で電子構造問題を解決するためのフラッグシップアルゴリズムである。
本稿では、状態準備に使用される量子回路を完全に取り除き、量子制御ルーチンに置き換える代替アルゴリズムを提案する。
VQEと同様に、最適化された目的関数は、量子ビットマップされた分子ハミルトニアンの期待値である。
論文 参考訳(メタデータ) (2020-08-10T17:53:09Z)
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。