XiaoMi-AI文件搜索系统
World File Search System量子化学
用于量子计算的不确定性感知伪标记
机器学习模型最近在预测分子量子化学性质方面显示出良好的前景。然而，要将其应用于现实生活需要（1）在低资源约束下学习，以及（2）对从未见过的结构多样的分子进行超出分布的推广。我们观察到，这两个挑战可以通过丰富的标签来解决，而这在量子化学中往往并非如此。我们假设，在大量未标记分子上进行伪标记可以作为金标记代理，以显著扩展训练标记数据集。伪标记的挑战在于防止不良伪标签使模型产生偏差。在熵最小化框架的启发下，我们开发了一个简单有效的策略 P SEUD σ，它可以分配伪标签，通过证据不确定性检测不良伪标签，并使用自适应加权防止它们使模型产生偏差。从经验上看，P SEUD σ 提高了全数据、低数据和分布外设置中的量子计算准确性。
在量子计算上申请Cemracs 2025的说明
[x] - 线性和多线性代数（张量，单一和遗传学矩阵，...）[x] - python编程[x] - 量子力学和应用（例如量子化学或量子化学理论，...算法，量子相估计，...）[x] - 量子编程（myqlm，qiskit，qaptiva，cirq，q sharp，...）
笛卡尔分量分离方法
量子化学中的传统方法依赖于基于 Hartree-Fock 的斯莱特行列式 (SD) 表示，其底层零阶图像假设粒子可分离。在这里，我们探索一种完全不同的方法，该方法基于笛卡尔分量可分离性，而不是粒子可分离性 [J. Chem. Phys.，2018，148，104101]。该方法似乎非常适合基于 3D 网格的量子化学方法，因此也适用于所谓的“首次量化”量子计算。我们首先概述了在经典计算机上实现的该方法，包括证明性能声明的数值结果。特别是，我们用四个显式电子执行数值计算，这相当于全 CI 矩阵对角化，具有近 10 15 SD。然后，我们提出了一种量子计算机的实现，与其他用于实现首次量化的“量子计算化学”（QCC）的量子电路相比，量子门的数量（在较小程度上，量子比特的数量）可以显著减少。
用于计算分子基态能量的混合量子-经典神经网络
量子计算在推动量子化学研究方面显示出巨大的潜力[1]。许多量子算法已被提出来解决量子化学问题[2-4]，如相位估计算法；Aspuru-Guzik等人[5-8]计算简单分子本征态能量的算法；变分量子本征求解器（VQE）[9-11]解决电子结构问题；开放量子动力学的量子算法[12]；以及在量子计算机上进行的双电子分子基准计算[13]。使用量子计算技术执行机器学习任务[14]最近也受到了广泛关注，包括量子数据分类[15，16]、量子生成学习[17，18]和近似非线性函数的量子神经网络[19]。到目前为止，将各种量子机器学习技术应用于量子化学是一个自然的延伸 [ 20 ， 21 ]。然而，之前的研究仅仅关注只有少数非线性操作的量子电路，这些非线性操作是通过数据编码 [ 19 ， 22 ] 或重复测量直到成功 [ 23 ] 引入的。此外，最近 Sim 等人 [ 24 ] 表明，增加参数化量子电路 (PQC) 的层数将达到饱和，并且当层数足够大时可能无法提高性能。此外，非线性是经典神经网络中最重要的部分 [ 25 ]，它使神经网络能够产生复杂的结果 [ 23 ， 26 ， 27 ]。因此，量子机器学习不应只关注 PQC，量子神经网络需要非线性操作。为了解决这个问题，我们在这里引入一种新的混合量子经典神经网络，将量子计算和经典计算与参数化量子电路之间的测量相结合。本文首先详细描述了混合量子-经典神经网络的整体结构。然后，我们利用新的混合量子-经典神经网络进行了数值模拟，计算了不同分子的基态能量。
Q2Chemistry：一个用于……的量子计算平台
摘要：量子计算机为量子化学提供了新的发展机遇。本文介绍了一个多功能、可扩展、高效的软件包 Q 2 Chemistry，用于开发量子化学领域的量子算法和量子启发经典算法。在 Q 2 Chemistry 中，波函数和哈密顿量可以方便地映射到量子比特空间，然后可以生成与软件包中已经实现的或用户新开发的特定量子算法相对应的量子电路。生成的电路可以发送到物理量子计算机（如果有）或通过在经典计算机上模拟量子电路实现的内部虚拟量子计算机。基准模拟表明，Q 2 Chemistry 在使用矩阵乘积态算法模拟中规模量子电路方面取得了优异的性能。给出了 Q 2 Chemistry 在模拟分子和周期系统中的应用，并进行了性能分析。关键词：量子算法；量子电路；电子结构；矩阵乘积态 中图分类号：O641.12 + 1 文献编号：A
M.Sc. （CBCS计划）学期-1至4从... 有效M.Sc. （CBCS计划）学期-1至4从...
参考：1。量子化学简介，A。K。Chandra，Tata MacGraw Hill 2。量子化学，Ira N. Levine，Prentice Hall 3。R. K. Prasad的量子化学，新时代国际出版商（1985）4。D. L. Pilar的基本量子化学，MC Graw Hill Book Co，纽约（1968）5。D. A. McQuarrie量子化学，OUP 1983 6。M. W. Hanna，《化学中的量子力学》，本杰明酒吧。7。分子量子力学，第三版，P。W。Atkins和R.S.弗里德曼8。化学中的小组理论和对称性，L。H. Hall（McGraw Hill）9。F. A.棉花，群体理论的化学应用，Wiley Eastern 2 Nd Edn.1992 10.V. Ramkrishnan＆M。S. Gopinadhan，《化学群体理论Vishal Pub.1996》。11。无机化学，第三版，Alan G. Sharpe 12。理论无机化学，M。C。Day，J.Shellin 13。化学，第五版，约翰·E·麦克默里（John E. McMurry），罗伯特·费伊（Robert C.Hermann Dugas，生物有机化学，一种化学方法的酶作用方法，Springer International Edition 15。理论化学简介，杰克·西蒙斯（Jack Simons），剑桥16。无机化学的进展，第18和38卷。J. J. Lippard，Wiley 17。 无机反应机制，M。L。Tobe，Nelson Pub 18。 无机化学，K。F。Purcell和J. C. Kotz。 19。 生物无机化学原理，S。J。Lippard和J. M. Bers 20。 生物无机化学，I。Bertini，H。B。 Gray和S. J. Lippard 21。 22。 23。J. J. Lippard，Wiley 17。无机反应机制，M。L。Tobe，Nelson Pub 18。无机化学，K。F。Purcell和J. C. Kotz。 19。 生物无机化学原理，S。J。Lippard和J. M. Bers 20。 生物无机化学，I。Bertini，H。B。 Gray和S. J. Lippard 21。 22。 23。无机化学，K。F。Purcell和J. C. Kotz。19。生物无机化学原理，S。J。Lippard和J. M. Bers 20。生物无机化学，I。Bertini，H。B。Gray和S. J. Lippard 21。22。23。Biooganic Chemistry的原理，S。J。Lippard和J. M. Berg，大学科学书籍。生物无机化学，I。Bertini，H。B。Gray，S。J。Lippard和J. S. Valentine，大学科学书籍。无机生物化学卷I和II ed。 G. L. Eichhorn，Elsevier 24。 磁化学简介，艾伦·恩肖（Alan Earnshaw），1968年25。 磁化学元素，杜塔和Syamal，1993无机生物化学卷I和II ed。G. L. Eichhorn，Elsevier 24。磁化学简介，艾伦·恩肖（Alan Earnshaw），1968年25。磁化学元素，杜塔和Syamal，1993
KANQAS：用于量子架构搜索的 Kolmogorov-Arnold 网络
摘要 量子架构搜索 (QAS) 是优化和自动设计量子电路以实现量子优势的一个有前途的方向。QAS 中的最新技术强调基于多层感知器 (MLP) 的深度 Q 网络。然而，由于可学习参数数量众多以及选择适当激活函数的复杂性，它们的可解释性仍然具有挑战性。在这项工作中，为了克服这些挑战，我们在 QAS 算法中使用了 Kolmogorov-Arnold 网络 (KAN)，分析了它们在量子态准备和量子化学任务中的效率。在量子态准备中，我们的结果表明，在无噪声的情况下，成功的概率是 MLP 的 2 到 5 倍。在嘈杂的环境中，KAN 在近似这些状态时的保真度优于 MLP，展示了其对噪声的鲁棒性。在解决量子化学问题时，我们通过将课程强化学习与 KAN 结构相结合来增强最近提出的 QAS 算法。通过减少所需的 2 量子比特门的数量和电路深度，这有助于更有效地设计参数化量子电路。进一步的研究表明，与 MLP 相比，KAN 需要的可学习参数数量明显较少；然而，KAN 执行每集的平均时间更长。
![arXiv:2002.07901v1 [quant-ph] 2020 年 2 月 18 日](/simg/g:\will\search\icon\source\c\c194b283812d90cda7068798de2ac8669e964e6a.webp)
arXiv:2002.07901v1 [quant-ph] 2020 年 2 月 18 日
量子计算是一种新的计算范式，有望有效模拟量子力学系统。然而，与工业相关的分子尺寸相比，嘈杂的中型量子 (NISQ) 设备提供的硬件范围仍然很小。本文引入了增量法 (MI)，以帮助加快 NISQ 设备在量子化学模拟中的应用。MI 方法将分子系统的电子关联能量表示为轨道、原子、分子或碎片的截断多体展开。在这里，系统的电子关联以占据轨道的形式展开，并采用 MI 方法系统地减少占据轨道空间。同时，虚拟轨道空间基于冻结自然轨道 (FNO) 减少，FNO 是使用二阶多体微扰理论的单粒子密度矩阵获得的。这样，构建了一种称为 MI-FNO 方法的方法，用于系统地减少量子化学模拟中的占用空间和虚拟空间。然后可以通过任何算法（包括相位估计算法和变分量子特征值求解器等量子算法）求解由 MI-FNO 减少引起的子问题，以预测分子系统的相关能量。在 cc-pVDZ 基组内，针对小分子（即 BeH 2 、CH 4 、NH 3 、H 2 O 和 HF）的情况，研究了 MI-FNO 方法的准确性和可行性。然后，使用对工业相关的中型催化剂分子（“受限几何”烯烃聚合催化剂）的量子比特计数估计，研究了所提出的框架对于实际工业应用中使用的较大分子的有效性。我们表明，即使采用适度截断虚拟空间，MI-FNO 方法也能将量子比特需求减少近一半。这样一来，我们的方法可以促进基于较小但更现实的化学问题的硬件实验，从而有助于表征 NISQ 设备。此外，降低量子比特需求有助于扩大可在量子化学应用中模拟的分子系统的大小，从而大大增强大规模工业应用的计算化学研究。
计算化学中的量子力学方法
抽象的量子机械方法构成了计算化学的基石，在原子量表上提供了对分子行为和特性的前所未有的见解。这些方法阐明了通过求解Schrödinger方程来理解各种化学系统至关重要的基本电子结构，能量和性能。在这些方法中，密度功能理论（DFT）在研究原子，分子和固体的电子特性方面具有多功能性，它植根于精确的Hohenberg-kohn定理和Kohn-Sham方程。本评论探讨了计算化学中量子机械方法的宽敞景观，突出了它们在推进科学理解和技术创新方面的关键作用。许多领域，包括材料科学，催化和药物开发，利用这些技术来增强分子结构，预测反应，模拟光谱特性并澄清溶剂化效应。量子化学现在可以借助高级技术（如释放后循环方法和时间依赖性的DFT）预测更多。这些技术为我们提供了有关分子如何移动以及电子如何激发的更多信息。分子动力学（MD）模拟通过显示分子如何随时间移动和相互作用，从而增加了量子力学方法。他们通过将理论上应该与实际发生的情况联系起来来实现这一目标。关键字：量子，机械方法，计算化学。添加基于结构的药物设计（SBDD）和材料建模等计算机程序显示了量子化学如何改变事物，加快发现过程并提高分子行为的准确性。光谱模拟和溶剂化研究有助于我们预测如何解释实验数据并确定环境如何影响分子的行为及其应用，从而使计算化学更有用。量子化学软件和高性能计算框架的持续演变使对高级计算工具的访问权限，从而促进了解决复杂科学挑战的协作和创新。随着量子能力的提高，未来有望在化学和跨学科领域进行更大的应用，推动材料设计，药物开发和环境可持续性的持续进展。
量子化学理论与人工智能技术结合
作者简介：清野淳二 2005年毕业于东京都立大学理学部化学科。2007年结业于东京都立大学理学研究科化学硕士课程。2010年结业于东京都立大学理工学研究科分子材料化学博士课程。同年4月成为早稻田大学理工学部助理研究员。2012年成为日本学术振兴会研究员（PD）。2015年成为早稻田大学理工研究所副研究员。2017年成为日本科学技术振兴机构PRESTO研究员（兼任）。2020年成为东京都立大学理学部化学科特任副教授。 2010年获理学博士学位。 [专业] 化学信息学，量子化学。 [联系方式] 〒169-0007 东京都新宿区大久保3-4-1（工作地点）