研究人员开发了机器学习模型,用于优化基于样本的量子对角化(SQD)方法中的参数选择,这些方法用于计算分子的基态能量。这些模型可以根据哈密顿量和候选构型预测量子运行时间和近似误差。实验表明,预测误差和运行时间与实际误差和运行时间之间存在很强的相关性,并且这些模型成功地对能够在当前硬件上实现化学精度的分子进行了分类。 AI
影响 通过提高量子模拟的效率,可能加速新分子和新材料的发现。
排序理由 学术论文,详细介绍了一种使用AI优化量子化学计算的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Doriela Grabocka
- Hugging Face
- Krylov
- Sample-based Quantum Diagonalization
- SKQD
- Spearman
- SqDRIFT
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →