Nov, 2023

量子蒙特卡洛梳理

PDF
TL;DR分子建模在量子级别需要选择一个能够尊重所需粒子对称性并可扩展到多粒子系统的波函数参数化。本文通过引入一种基于排序的新的反对称化层（称为 sortlet），在注意力神经网络骨干上应用该反对称化层，得到了一种灵活的波函数参数化形式，能够在逼近一周期元素原子和小分子基态时达到化学精确度。
molecular modelingquantum levelparameterizationantisymmetrization layerneural-network backbone
发现论文，激发创造
  • 变分蒙特卡洛模拟的显式反对称神经网络层

    本文提出了一种显式反对称通用神经网络层来替代高精度费米核（FermiNet）的整个反对称层，即 FermiNet-GA 结构，同时研究了差不多完全推导出基态能，即 full single-determinant FermiNet 模式以及另一个 FA 层，但发现这两者并没有超过 FermiNet 模式，说明反对称性的总和乘积是限制 FermiNet 的关键因素之一。

    Dec, 2021

  • $O (N^2)$ 费米子神经网络中的全局反对称性

    本文提出了一种基于 Fermionic 神经网络和排列等变结构的方法用于解决多电子 Schrödinger 方程，使用分块反对称构建代替 Slater 行列式以减小计算成本。该方法通过连续逼近器实现波函数的基态表示。

    May, 2022

  • 将空间对称性纳入参数化量子电路以加速训练

    本文介绍了一种名为 ORB 的量子学习模型的最优参数结构，通过考虑问题哈密顿量的自同构群而形成这种理想参数结构，证实了在多个基态问题中 ORB 的表现要比文献里的电路结构更好。

    Jul, 2022

  • 利用分子点群对称性降低量子模拟的量子比特要求

    为了在限制条件下优化量子算法的资源利用，本文开发了如何减少模拟分子所需量子比特数的方法，用的是空间对称性的第二量子化表示，并将它们转换为它们的量子比特运算符表示。

    Oct, 2019

  • 用于变分量子本征求解器算法的高效对称性保持状态准备电路

    本研究介绍了一种基于对称性的有效量子态制备电路方案，可以在量子计算中高效地实现化学模拟，并在 $H_2$ 和 $LiH$ 的量子模拟中表现出更高的准确性和电路深度。

    Apr, 2019

  • 对称不变的量子机器学习力场

    运用机器学习技术设计了量子神经网络，该网络明确地结合了大量具有物理相关性的对称性，以预测原子势能和原子力的潜在能量表面。研究结果表明，凭借几何量子机器学习框架，分子力场的生成可以从中获益，并且化学系统对于发展和应用先进量子机器学习工具具有丰富的应用潜力。

    Nov, 2023

  • 用于小分子和量子磁体的硬件高效的变分量子本征求解器

    本文介绍了一种硬件高效的可变量量子本征求解器，结合铁磁哈密顿量的紧凑编码和稳健的随机优化算法，在量子处理器上实现了六量子位哈密顿问题的实验优化，并将技术应用于一个量子磁学问题，其结果有助于阐明将该方法扩展到更大系统的要求，并致力于填补高性能计算前沿问题与其在量子硬件上实现之间的差距。

    Apr, 2017

  • 优化变分量子蒙特卡罗中的大参数集

    我们提出了一种使用迭代 Krylov 子空间求解器和随机改编技术进行优化的变分量子蒙特卡罗方法，通过去除构建和存储哈密顿矩阵和重叠矩阵的需要，有效地优化了变分参数以达到了比以前更高的精度。

    Aug, 2011

  • 关于用符号等变神经网络表示电子波函数

    最近的神经网络展现出对电子基态波函数的精确逼近。在本研究中，我们探索了一种反转的方法，首先根据电子坐标计算反对称量，然后应用对称性等变的神经网络以保持反对称性。我们的实证结果表明，这种方法将简化为一个 Jastrow 因子，它是波函数中常用的置换不变的乘法因子。在本研究的评估中，我们得出了对于用于表示电子波函数的符号等变函数既没有理论优势也没有实证优势的结论。

    Mar, 2024

  • 量子排列块模型

    使用置换矩阵，我们描述了量子块模型用于数据分析任务，并展示了在量子计算机上可以以 O (log (N)) 的时间找到或更新适应度值。在量子电路上，不同序列的置换可以并行应用，因此在这个模型中的机器学习任务可以在量子计算机上更高效地实现。

    Nov, 2023