.png){kind=icon}
返回
Encoding molecular structures in quantum machine learning
.png){kind=icon}
OA
AI
DOI：10.1088/2632-2153/ae304f.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
量子机器学习（QML）在化学数据集分析方面具有巨大潜力。然而，传统的量子数据编码方案，如指纹编码，通常难以准确表征此类数据集中的化学基团。在本研究中，我们介绍了量子分子结构编码（QMSE）方案，该方案将分子键序和原子间耦合（表示为混合库仑-邻接矩阵）直接编码为参数化电路中的一比特和两比特旋转。我们证明，与指纹编码方法相比，该策略在提高编码分子之间的态可分离性方面提供了一种高效且可解释的方法，这对于量子机器学习流程中特征图的制备至关重要。为评估我们的方法，我们在分子数据集上训练参数化拟设，以执行状态相位的分类和沸点的回归，展示了QMSE在训练和泛化能力上的竞争力。此外，我们还证明了保持保真度的链收缩定理，该定理通过重用常见子结构来减少比特数，并应用于长链脂肪酸。我们预期，这种可扩展且可解释的编码框架将为分子数据集的实用量子机器学习应用铺平道路。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
M
IF:
0
论文数:
116
被引数:
0
机构
引用论文
A variational eigenvalue solver on a photonic quantum processor光子量子处理器上的变分特征值求解器.png)
NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Embedded machine-readable molecular representation for resource-efficient deep learning applicationsDIGITAL DISCOVERY
OAAI
DIGITAL DISCOVERYIF5.6
OAAI分享收藏Advancing molecular machine learning representations with stereoelectronics-infused molecular graphs用注入立体电子的分子图推进分子机器学习表示
PREAI
分享收藏Hybrid Quantum-Classical Neural Network for Calculating Ground State Energies of MoleculesEntropyOAAI
EntropyIF0
OAAI分享收藏分享收藏
查看更多内容