通过LSTM-FC-VQE加速量子化学模拟中的参数初始化
量子物理
2025-05-19 v1
摘要
我们提出了一种基于长短期记忆（LSTM）神经网络的元学习框架，用于加速变分量子本构态器（VQE）中的参数初始化。在小分子上训练的LSTM学习到如何预测更大系统的高质量初始参数，从而减少所需的VQE迭代次数。我们提出的增强型LSTM-FC-VQE架构引入了全连接层，提高了适应不同参数规模的分子的能力。实验结果表明，我们的方法在收敛速度和能量误差方面均优于传统初始化方法，展示了其在NISQ时代高效量子模拟中的实际潜力。
引用
@article{arxiv.2505.10842,
title = {Accelerating Parameter Initialization in Quantum Chemical Simulations via LSTM-FC-VQE},
author = {Ran-Yu Chang and Yu-Cheng Lin and Pei-Che Hsu and Tsung-Wei Huang and En-Jui Kuo},
journal= {arXiv preprint arXiv:2505.10842},
year = {2025}
}