PulseAugur
中
实时 08:36:05
English(EN) Machine-Learned Compact Subspace Generation for Quantum Selected Configuration Interaction within Density Matrix Embedding Framework

机器学习增强了复杂生物系统的量子模拟

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的机器学习方法 QSCI-RBM，用于在密度矩阵嵌入理论 (DMET) 框架内生成量子选择组态相互作用 (QSCI) 的紧凑子空间。该方法利用受限玻尔兹曼机 (RBM) 学习主导行列式的分布，从而能够有针对性地生成高概率组态。应用于蛋白质-配体复合物时，DMET-QSCI-RBM 仅使用 4% 的组态子空间就达到了化学精度，其性能显著优于标准 DMET-SQD 模拟，后者即使使用 20% 的子空间也未能达到精度。该技术有望降低经典计算开销，并促进复杂生物系统的可扩展量子嵌入模拟。 AI

影响 这种机器学习方法显著降低了量子模拟的计算成本，有望加速药物发现和材料科学的发展。

排序理由 该集群包含一篇详细介绍量子物理模拟新计算方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

机器学习增强了复杂生物系统的量子模拟

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Ashish Kumar Patra, Anurag K. S. V., Ruchika Bhat, Sai Shankar P., Rahul Maitra, Jaiganesh G ·

    基于密度矩阵嵌入框架的量子选择组态相互作用的机器学习紧致子空间生成

    arXiv:2607.20585v1 Announce Type: cross Abstract: Sample-based Quantum Diagonalization (SQD), an extension of Quantum Selected Configuration Interaction (QSCI), has emerged as a promising hybrid quantum-classical paradigm for computing molecular ground state energies. By leveragi…

相关实体

相关话题