Data Efficient Prediction of excited-state properties using Quantum Neural Networks

要約

複雑な分子の励起状態の特性を理解することは、多くの化学プロセスおよび物理プロセスにとって重要です。
これらのプロパティの計算は、多くの場合、対応する基底状態の計算よりも大幅にリソースを消費します。
さまざまな幾何学的構成の分子の基底状態から励起状態の特性を予測する量子機械学習モデルを紹介します。
このモデルは、対称不変の量子ニューラル ネットワークと従来のニューラル ネットワークで構成されており、わずか数個のトレーニング データ ポイントで正確な予測を提供できます。
提案された手順は NISQ と完全に互換性があります。
これは、分子軌道の数に線形に比例する多数のパラメータを必要とする量子回路と、観測可能なパラメータ化された測定を使用することによって実現され、それによって必要な測定の数が削減されます。
励起状態遷移エネルギーと遷移双極子モーメントを予測する際のパフォーマンスを評価することにより、3 つの異なる分子に対するアルゴリズムのベンチマークを行います。
多くの場合、この手順が古典的な機能のみに依存するさまざまな古典的なモデルよりも優れたパフォーマンスを発揮できることを示します。

要約(オリジナル)

Understanding the properties of excited states of complex molecules is crucial for many chemical and physical processes. Calculating these properties is often significantly more resource-intensive than calculating their ground state counterparts. We present a quantum machine learning model that predicts excited-state properties from the molecular ground state for different geometric configurations. The model comprises a symmetry-invariant quantum neural network and a conventional neural network and is able to provide accurate predictions with only a few training data points. The proposed procedure is fully NISQ compatible. This is achieved by using a quantum circuit that requires a number of parameters linearly proportional to the number of molecular orbitals, along with a parameterized measurement observable, thereby reducing the number of necessary measurements. We benchmark the algorithm on three different molecules by evaluating its performance in predicting excited state transition energies and transition dipole moments. We show that, in many instances, the procedure is able to outperform various classical models that rely solely on classical features.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google