量子极端学习分子势能面和力场
量子物理
2024-09-04 v1
摘要
量子机器学习算法预计在近期将发挥关键作用，用于量子化学模拟。其中一种关键应用是训练量子神经网络以学习分子系统的势能面和力场。我们采用量子极端学习机器范式来解决这一任务。该监督学习范式允许资源高效训练，仅需在 classical 计算机上执行简单的线性回归。我们测试的方案可用于研究任意维度的分子，针对在准噪声(NISQ)设备上使用有限本征门的限制进行优化。我们将其应用于三个案例研究：锂氢化物、水和甲酰胺，分别进行无噪声模拟和在 IBM 量子硬件上的实际实现。与其他监督学习方法相比，所提方案所需的量子资源最少，可直接在量子平台上实现，同时仍能实现高度的预测准确性。我们鼓舞人心的结果为应用于更复杂的分子铺平了道路，由于该方案具有可扩展性。
引用
@article{arxiv.2406.14607,
title = {Quantum Extreme Learning of molecular potential energy surfaces and force fields},
author = {Gabriele Lo Monaco and Marco Bertini and Salvatore Lorenzo and G. Massimo Palma},
journal= {arXiv preprint arXiv:2406.14607},
year = {2024}
}
备注
14 pages, 7 figures. Accepted on Machine Learning: Science and Technology