创纪录速率的基于核的量子机器学习：作为紧致表示的多体分布泛函
化学物理
2023-08-02 v2 计算物理
数据分析、统计与概率
摘要
用于表示化学系统的特征向量映射，是支配适用于整个化学化合物空间的基于核的量子机器学习（QML）模型卓越数据效率的关键因素。遗憾的是，最精确的表示需要高维特征映射，从而给模型训练和使用带来可观的计算负担。我们引入了基于原子高斯多体分布泛函（MBDF）及其导数的紧致且精确、线性标度的 QML 表示。MBDF 值的加权密度函数（DF）被用作大小恒定的全局表示，即关于原子数量不变。我们报告了在两个不同的有机分子数据集 QM9 和 QMugs 上可与最先进水平竞争的预测性能和训练数据效率。已针对原子化能、HOMO-LUMO 本征值与能隙、0 K 内能、零点振动能、偶极矩模长、静态各向同性极化率和热容（如 QM9 中所编码）研究了泛化能力。基于 MBDF 的 QM9 性能将介于采样与训练成本之间的最优 Pareto 前沿降低到计算节点分钟级，有效地以每核秒约 个分子的采样速率对化学化合物空间进行采样并达到化学精度。
引用
@article{arxiv.2303.16312,
title = {Kernel based quantum machine learning at record rate : Many-body distribution functionals as compact representations},
author = {Danish Khan and Stefan Heinen and O. Anatole von Lilienfeld},
journal= {arXiv preprint arXiv:2303.16312},
year = {2023}
}