.png){kind=icon}
返回
Learning density functionals from noisy quantum data
.png){kind=icon}
OA
AI
DOI：10.1088/2632-2153/adcb89.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在量子模拟中寻找噪声中等规模量子（NISQ）设备的有效应用一直受到其固有噪声以及实现高精度相关的高成本的阻碍。一种有前景的方法是在这些挑战面前寻找实用性的途径，即利用量子设备为经典机器学习（ML）模型生成训练数据。本研究中，我们探讨了使用量子算法生成的噪声数据训练ML模型以学习Fermi-Hubbard模型的密度泛函。我们通过将各种ML模型与精确解进行对比基准测试，证明了神经网络ML模型能够成功地从受NISQ算法典型噪声影响的小数据集中泛化。该学习过程能够有效滤除无偏采样噪声，从而得到一个优于任何单个训练数据点的训练模型。相反，当使用具有变分量子本征求解器（VQE）典型可表达性和优化误差的数据进行训练时，模型会复制训练数据中存在的偏差。训练后的模型可以应用于Kohn-Sham类密度优化方案中的新问题实例求解，得益于自动微分并实现大多数问题实例的合理精确解。我们的发现表明，利用NISQ设备进行实际量子模拟是一条有前景的途径，突显了量子计算和ML技术成功整合的潜在益处以及需要解决的问题。
Keyword:
density functional theory
machine learning
quantum algorithms
NISQ
variational quantum algorithms
期刊
M
IF:
4.6
论文数:
1.1K
被引数:
3.4K
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 COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Improved machine learning algorithm for predicting ground state propertiesNATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏From the Quantum Approximate Optimization Algorithm to a Quantum Alternating Operator Ansatz从量子近似优化算法到量子交替算子AnsatzAlgorithmsOAAI
AlgorithmsIF0
OAAI分享收藏Observing ground-state properties of the Fermi-Hubbard model using a scalable algorithm on a quantum computerNATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏
查看更多内容