用多级组合技术提升量子机器学习模型：重访Pople图
化学物理
2018-08-10 v2
摘要
受量子化学中流行的Pople图启发，我们引入了一种基于多级组合（C）技术的层次化方案，以组合在量子化学中计算分子能量时所做的各种近似层级。当与量子机器学习（QML）模型结合时，所得的CQML模型是一种广义的统一递归核岭回归，它利用了在多维多层级训练数据中隐式编码的相关性。此处我们研究了至多三个维度：化学空间、基组以及电子相关处理。我们已经对一组约7000个至多含7个原子（不计氢）且包含CHONFClS的有机分子的解离能，以及约6000个CHO构造异构体的解离能获得了数值结果。解离能的CQML学习曲线表明，以最精确且最昂贵的方法计算所需的训练样本数急剧减少。为了以毫秒级给出CCSD(T)/cc-pvdz解离能的估计且预测误差达到化学精度（1 kcal/mol），CQML模型仅需约100个CCSD(T)/cc-pvdz级别的训练实例，而非传统QML中的数千个，尽管在较低层级需要更多训练分子。我们的结果表明，在各种随电子数以不同方式缩放计算代价的层次化近似之间，可能存在有利的权衡。
引用
@article{arxiv.1808.02799,
title = {Boosting quantum machine learning models with multi-level combination technique: Pople diagrams revisited},
author = {Peter Zaspel and Bing Huang and Helmut Harbrecht and O. Anatole von Lilienfeld},
journal= {arXiv preprint arXiv:1808.02799},
year = {2018}
}