PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.20585v2quant-ph

밀도 행렬 임베딩 프레임워크 내 양자 선택 구성 상호작용을 위한 기계학습 기반 컴팩트 부분공간 생성

Machine-Learned Compact Subspace Generation for Quantum Selected Configuration Interaction within Density Matrix Embedding Framework

Sample-based quantum diagonalization (SQD), an extension of quantum selected configuration interaction (QSCI), is a promising hybrid quantum-classical paradigm for molecular ground-state energies. By replacing variational optimization with quantum sampling, QSCI avoids barren plateaus and directly reconstructs correlated wavefunctions. However, existing configuration recovery mainly enforces symmetry constraints without targeting the most physically relevant configurations, often yielding oversized subspaces and costly classical diagonalization. We introduce QSCI-RBM, a compact subspace generation protocol based on Restricted Boltzmann Machines (RBMs), and integrate it within Density Matrix Embedding Theory (DMET). The RBM learns the distribution of dominant determinants from hardware samples, generating high-probability configurations. Sampling was performed on IBM Heron R1 (\texttt{ibm\_torino}) for CH$_5$NO, R2 (\texttt{ibm\_fez}) for C$_2$H$_4$, and R3 (\texttt{ibm\_boston}) for the larger H$_2$O benchmark and the protein-ligand system. After validating on these benchmarks of increasing active-space size, we simulate the inhibitor Carmofur bound to the SARS-CoV-2 main protease (M\textsuperscript{pro}), fragmented into ten DMET impurities. Both DMET-QSCI-RBM and a DMET-SQD baseline reach chemical-potential self-consistency within four $\mu$-iterations. At the converged chemical potential, DMET-QSCI-RBM lies within $0.05\,\mathrm{mHa}$ of DMET-FCI while accessing on average only $0.22\%$ of the symmetry-preserving configuration space, versus $0.55\,\mathrm{mHa}$ at $33.0\%$ for DMET-SQD, leading to a $\sim$153-fold subspace reduction. RBM-assisted expansion thus yields far more compact hardware-derived determinant spaces at equal or better accuracy, reducing classical overhead for scalable quantum embedding of biological systems on real hardware.

arXiv:2607.00398v1cond-mat.str-el

Holographic Quantum Transformer: A Generalist Neuro-Symbolic Architecture for Solving Frustrated Systems via Generative Attention

2D 격자 상의 좌절된 양자 스핀계(frustrated quantum spin system) 시뮬레이션에서 부호 문제(sign problem)와 지수적 힐베르트 공간 복잡도를 극복하기 위해, 전역 셀프 어텐션(global self-attention)을 활용한 생성형 뉴로-심볼릭 아키텍처인 Holographic Quantum Transformer(HQT)를 제안한다. HQT는 $8\times8$ $J_1$-$J_2$ Heisenberg 모델에서 최신 변분 기법에 필적하는 바닥 상태 에너지를 달성하며, "Holographic Transfer" 프로토콜을 통해 소형 격자에서 학습한 모델을 재학습 없이 제로샷(zero-shot)으로 더 큰 $10\times10$ 격자에 직접 적용하는 크기 외삽(size extrapolation)을 가능하게 한다.

arXiv:2606.30170v1cs.LG

신약 발견을 넘어서: 나노기술 분자 최적화(NMO) 벤치마크

Beyond Drug Discovery: The Nanotechnology Molecular Optimization (NMO) Benchmark

나노기술 분야에서 생성 분자 설계(generative molecular design)의 전이성 한계를 극복하고자, 프록시 오라클 대신 양자 시뮬레이션 기반 평가를 사용하는 나노기술 분자 최적화(NMO) 벤치마크를 제안한다. 금 표면 결합 구조를 네이티브하게 인코딩하는 Graph Group SELFIES(GGS) 표현과 도메인 비의존적 사전학습 전략을 결합한 기준선 방법으로 포논 수송, 열전 효율, 분자 광역학 3가지 태스크 모두에서 기존 문헌의 물리적 특성을 능가하는 분자를 발견했다.

arXiv:2605.27729v2cs.CR

QSignAI: 과학을 위한 AI와 AI를 위한 과학의 교차점에서의 양자 무작위성 시드 신원 서명

QSignAI: Quantum-Randomness-Seeded Identity Signatures at the Intersection of AI for Science and Science for AI

QSignAI는 실시간 이벤트 참여에서 AI와 양자 과학의 양방향 결합을 보여주는 운영 플랫폼으로, 대화형 봇이 참가자의 첫 메시지를 SV1·DM1 시뮬레이터의 독립 단일 큐비트 하다마드 측정, Toeplitz 2소스 추출기, 2큐비트 Bell state 파이프라인으로 보내 고유한 양자 무작위성 시드 신원 서명을 생성한다. 시스템 아키텍처와 라이브 이벤트 정성적 증거로 지연 가능성과 양자 현상의 대중적 전달을, 프로덕션 배포로 통합 시스템의 실용성을 각각 입증했으며 현재는 클라우드 양자 시뮬레이터를 사용한다.

arXiv:2606.11620v1quant-ph

양자 회로 시뮬레이션 성능 예측을 위한 패밀리 인식 잔차 아키텍처

Family-Aware Residual Architecture for Predicting Quantum Circuit Simulation Performance

근사 텐서 네트워크 시뮬레이터는 정확한 방법으로는 접근할 수 없는 양자 회로의 고전 시뮬레이션을 가능하게 하지만, 결합 차원 임계값(bond dimension thresholds)과 같은 최적의 근사 매개변수를 선택하는 것은 여전히 비용이 많이 드는 시행착오 과정입니다. 우리는 회로의 OpenQASM 설명과 실행 컨텍스트만 주어지면, 목표 충실도(target fidelity)를 달성하는 데 필요한 최소 근사 임계값과 양자 회로 시뮬레이션의 예상 실제 경과 시간(wall-clock runtime)을 모두 예측하는 패밀리 인식 신경망 아키텍처를 제시합니다. 우리의 핵심 통찰은 서로 다른 알고리즘 패밀리(예: QFT, Grover, VQE)의 양자 회로가 서로 다른 얽힘 구조로 인해 근본적으로 구별되는 시뮬레이션 비용 프로필을 보인다는 것입니다. 우리는 확립된 조건부 계산 기법을 활용하여 공통 백본 위에 덧셈 방식의 패밀리 특정 조정을 적용하는 패밀리 조건부 잔차 보정을 사용하여, 모델이 보편적인 회로 속성과 알고리즘적 뉘앙스를 모두 포착할 수 있게 합니다. 이 아키텍처는 사전학습된 패밀리 분류기(97.5% 정확도)와 게이트 구성 휴리스틱에서 파생된 영역 지식 기반 알고리즘 지문 특징을 통합합니다. 10개 알고리즘 패밀리에 걸쳐 7~130큐비트에 이르는 회로에서 평가한 결과, 우리 시스템은 79.5%의 정확한 임계값 정확도(한 단계 이내 91.2%)와 $R^2 = 0.82$의 런타임 상관관계를 달성했으며, 추론은 약 50ms 만에 완료되어 수분에서 수시간이 걸릴 수 있는 시행착오 시뮬레이션 실행을 대체합니다. 소거 연구(ablation studies)는 패밀리 인식 모델링이 가장 큰 성능 향상(+3.2%p)을 제공함을 확인시켜 주며, 이는 알고리즘 패밀리가 시뮬레이션 비용 예측을 위한 일급 특징(first-class feature)이라는 가설을 검증합니다.

arXiv:2606.11240v1physics.comp-ph

이분산성 노이즈를 포함하는 계산 비용이 높은 양자 시스템을 위한 물리적 제약 앙상블 가우시안 프로세스 모델링

Physically Constrained Ensemble Gaussian Process Modelling for Expensive Quantum Systems with Heteroskedastic Noise

양자 다체 시스템의 정확한 모델링은 종종 밀도 행렬 재규격화 군(DMRG)이나 양자 몬테카를로(QMC) 계산과 같은 계산 비용이 높은 시뮬레이션을 필요로 합니다. 이러한 방법들은 정밀하지만 상당한 시간과 자원 제약을 가하여, 포괄적인 매개변수 탐색에서의 사용을 제한합니다. 더욱이, 이러한 비용이 많이 드는 시뮬레이션은 큰 미지의 매개변수 공간에 걸쳐 가변적인 오차를 포함할 수 있으며, 이를 정량화하고 전파할 필요가 있습니다. 따라서 추정의 물리적 타당성을 보존하면서 이분산성 노이즈가 있는 희소하게 샘플링된 데이터에 대해 함수 공간을 정확하게 추정하기 위해 예측 모델링이 필요합니다. 이에 우리는 물리적 일관성 제약 조건 하에서 복잡하고 노이즈가 많은 양자 시스템을 효율적으로 모델링하도록 설계된 물리적 제약 앙상블 가우시안 프로세스(pc-EGP) 프레임워크를 제시합니다. 제안된 방법은 먼저 가우시안 프로세스(GP) 대리 모델의 데이터 기반 손실 함수에 사용자 제어 가중치 페널티로 물리적 제약 조건을 부과합니다. 그런 다음 이러한 GP 모델의 앙상블은 수치적 적분법을 통해 가변적 노이즈 시뮬레이션으로 학습되며, 여기서 서로 다른 노드에 있는 다중 GP는 적분 가중 평균으로 통합됩니다. 우리는 양자 시스템에 적용하기 전에 합성 데이터로 프레임워크를 먼저 시연합니다. 첫 번째 사례 연구에서, 우리는 초유체-모트 절연체 전이를 지배하는 임계 상호작용 매개변수 $U_c$를 예측하기 위해 보스-하버드 모델의 DMRG 시뮬레이션을 활용합니다. 두 번째 사례 연구에서, 우리는 1차원 초유체를 실현하기 위해 화학적 환경을 최적화하는 것을 목표로, 나노다공성 규산염 내부에 갇힌 양자 액체의 QMC 시뮬레이션에 대해 우리의 방법을 시연합니다. 기존 GP와 비교할 때, pc-EGP는 정확성과 물리적으로 의미 있는 예측 사이의 더 나은 균형을 달성합니다.