Hybrid Quantum Graph Neural Network for Molecular Property Prediction

要約

材料設計のプロセスを加速するために、材料科学では、収集したデータから情報を抽出するデータ駆動型技術の使用が増えています。
特に、ML 分野にまたがる機械学習 (ML) アルゴリズムは、量子力学理論の陽的計算と同様のレベルの精度で、実行時間と計算リソースを大幅に削減しながら、材料のさまざまな特性を予測できることが実証されています。
機械学習において、グラフ ニューラル ネットワークは、材料のグラフ表現に基づく高い学習能力により、広範囲にわたる重要な物理的、化学的、電子的特性を正確に予測できるため、機械学習の分野における重要なアルゴリズムとして浮上しています。
グラフ内に埋め込まれた情報の集合体による分子記述子。
最先端の古典的機械学習アプリケーションの開発と並行して、量子コンピューティングと機械学習の融合により、高次元データをより効率的にエンコードできる量子レイヤーで古典的機械学習モデルを拡張できる新しいパラダイムが生まれました。
既存のアルゴリズムの構造を活用して、ペロブスカイト材料の形成エネルギーを予測するための、ユニークで新しい無勾配ハイブリッド量子古典畳み込みグラフ ニューラル ネットワーク (HyQCGNN) を開発しました。
私たちのハイブリッド統計モデルのパフォーマンスは、古典的な畳み込みグラフ ニューラル ネットワークや、XGBoost などの他の古典的な機械学習アルゴリズムから純粋に得られた結果と競合します。
その結果、私たちの研究は、量子特徴符号化とパラメトリック量子回路がどのようにしてグラフ ニューラル ネットワークのような複雑な ML アルゴリズムの大幅な改善をもたらすことができるかを探る新しい経路を示唆しています。

要約(オリジナル)

To accelerate the process of materials design, materials science has increasingly used data driven techniques to extract information from collected data. Specially, machine learning (ML) algorithms, which span the ML discipline, have demonstrated ability to predict various properties of materials with the level of accuracy similar to explicit calculation of quantum mechanical theories, but with significantly reduced run time and computational resources. Within ML, graph neural networks have emerged as an important algorithm within the field of machine learning, since they are capable of predicting accurately a wide range of important physical, chemical and electronic properties due to their higher learning ability based on the graph representation of material and molecular descriptors through the aggregation of information embedded within the graph. In parallel with the development of state of the art classical machine learning applications, the fusion of quantum computing and machine learning have created a new paradigm where classical machine learning model can be augmented with quantum layers which are able to encode high dimensional data more efficiently. Leveraging the structure of existing algorithms, we developed a unique and novel gradient free hybrid quantum classical convoluted graph neural network (HyQCGNN) to predict formation energies of perovskite materials. The performance of our hybrid statistical model is competitive with the results obtained purely from a classical convoluted graph neural network, and other classical machine learning algorithms, such as XGBoost. Consequently, our study suggests a new pathway to explore how quantum feature encoding and parametric quantum circuits can yield drastic improvements of complex ML algorithm like graph neural network.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google