利用混合量子-经典神经网络推断基态与激发态的势能面
量子物理
2022-12-07 v1 化学物理
摘要
随着对量子计算兴趣的日益增长，变分量子本征求解器(VQE)作为近期量子计算机的一种可能应用受到了广泛关注。尽管VQE常被应用于量子化学，但要获得可靠结果需要很高的计算成本，因为需要无穷多次测量才能得到准确的期望值，且在变分优化过程中为最小化代价函数需多次计算期望值。因此，对于诸如以化学精度估计势能面(PESs)等实际任务，有必要降低VQE的计算成本，而PESs对于分子结构和化学反应动力学分析尤为重要。近来有人提出了一种用于VQE代理建模的混合量子-经典神经网络[Xia , Entropy 22, 828 (2020)]。利用该模型，无需变分优化过程即可准确推断如H2等简单分子的基态能量。在本研究中，我们通过采用子空间搜索变分量子本征求解器方法扩展了该模型，使得基态与激发态的PESs均可被以化学精度推断。我们还利用IBM的QASM后端展示了采样噪声对预训练模型性能的影响。
引用
@article{arxiv.2212.03005,
title = {Potential energy surfaces inference of both ground and excited state using hybrid quantum-classical neural network},
author = {Yasutaka Nishida and Fumihiko Aiga},
journal= {arXiv preprint arXiv:2212.03005},
year = {2022}
}
备注
19 pages, 9 figures