arXiv · 24.07.2026 ·Исследования и наука

Трансформеры для подготовки молекулярных состояний в квантовых вычислениях

Исследователи представили новый метод подготовки квантовых состояний основного уровня молекул с использованием трансформерных моделей. Подход позволяет значительно сократить вычислительные затраты при создании квантовых схем, что критически важно для задач квантовой химии и материаловедения. Предложенная архитектура эффективно аппроксимирует сложные квантовые состояния, превосходя традиционные итеративные алгоритмы в масштабируемости для крупных молекулярных систем.

Подготовка квантовых состояний является фундаментальным этапом для реализации преимуществ квантовых алгоритмов. Существующие методы, такие как ADAPT-VQE, часто сталкиваются с вычислительными ограничениями при работе с молекулами, актуальными для фармацевтики и химии материалов. Использование трансформеров позволяет перенести часть вычислительной нагрузки на предобученные модели, оптимизируя глубину и структуру квантовых цепей.

Авторы работы демонстрируют, что нейросетевая аппроксимация позволяет находить высокоточные решения для молекулярных систем, которые ранее требовали чрезмерных ресурсов. Этот подход открывает путь к более быстрому моделированию химических реакций и поиску новых материалов, снижая требования к глубине квантовых схем и повышая общую эффективность квантовых симуляций.

Ключевые факты

Метод использует трансформерные модели для генерации параметров квантовых схем, заменяя ресурсоемкие итеративные процедуры.
Разработка направлена на решение проблемы масштабируемости при подготовке состояний для сложных молекул в квантовой химии.
Новый подход позволяет создавать более «мелкие» (shallow) квантовые цепи, что снижает требования к времени когерентности квантовых процессоров.
Исследование опубликовано на платформе arXiv и ориентировано на ускорение практического применения квантовых вычислений в фармацевтике и материаловедении.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

Hacker News · Исследования и наука Применение ИИ для решения задач квантовой механики Исследователи продемонстрировали, как методы машинного обучения, изначально применявшиеся для анализа простых физических систем, позволили совершить прорыв в квантовой механике. Использование нейросетевых подходов помогло оптимизировать расчеты состояний квантовых систем, значительно сократив вычислительные затраты при моделировании сложных взаимодействий частиц, что ранее считалось труднодостижимой задачей для классических алгоритмов численного анализа. arXiv · Машинное обучение Ускорение квантовых автокодировщиков для анализа данных в физике высоких энергий Исследователи предложили метод аппаратного ускорения квантовых автокодировщиков для обнаружения аномалий в реальном времени в экспериментах на коллайдерах. Использование квантового машинного обучения позволяет эффективнее обрабатывать многомерные данные с высокой степенью корреляции, требуя при этом меньшего количества параметров по сравнению с классическими нейронными сетями, что критически важно для систем триггеров в физике высоких энергий. arXiv · Обучение и дообучение KroQuant: новый метод квантования диффузионных трансформеров Исследователи представили KroQuant — метод квантования диффузионных трансформеров (DiTs) до формата W4A4, решающий проблему потери качества при сжатии моделей. Использование блочных преобразований Кронекера позволяет эффективно обрабатывать выбросы в активациях, которые обычно препятствуют точному 4-битному представлению данных, обеспечивая высокую производительность при значительном снижении требований к вычислительным ресурсам и памяти. arXiv · Исследования и наука Исследование авторегрессионного дрейфа при синтезе квантовых схем Исследователи проанализировали проблему накопления ошибок при использовании трансформеров для синтеза квантовых схем. В работе показано, что авторегрессионные модели склонны к «дрейфу», который нарушает функциональную эквивалентность схем. Для решения задачи оптимизации ресурсов, таких как T-гейты, авторы использовали компактную модель на 44,8 млн параметров, протестировав её на параметризованных и Clifford+T схемах малой размерности. arXiv · Исследования и наука Гибридный метод квантово-классического моделирования молекул с помощью ИИ Исследователи представили гибридный алгоритм, объединяющий генеративное машинное обучение и квантовую химию для расчета энергии связывания в сложных молекулярных системах. Метод позволяет преодолеть ограничения текущих шумных квантовых процессоров (NISQ), используя классические вычислительные мощности для оптимизации квантовых схем, что критически важно для разработки новых лекарств и моделирования белково-лигандных взаимодействий. arXiv · Машинное обучение OrbitQuant: новый метод квантования для диффузионных трансформеров Исследователи представили OrbitQuant — метод посттренировочного квантования (PTQ), оптимизирующий работу диффузионных трансформеров (DiT) без необходимости подстройки под конкретные данные. Решение устраняет проблему нестабильности активаций при смене временных шагов и промптов, позволяя значительно ускорить инференс тяжелых моделей для генерации изображений и видео без потери качества и переобучения под каждую новую архитектуру. arXiv · Машинное обучение Трансформеры для решения уравнений на сложных геометриях Исследователи из MIT и других ведущих университетов представили новый подход к использованию трансформеров для решения задач, связанных с дифференциальными уравнениями на сложных геометриях. Традиционные методы, основанные на нейронных операторах, ограничены фиксированным размером области, что затрудняет их применение в реальных сценариях, где размеры могут варьироваться. arXiv · Исследования и наука Оптимизация тестирования и обучения стабилизаторных состояний при ограниченной квантовой памяти Исследователи представили алгоритм для тестирования и обучения стабилизаторных состояний в условиях ограниченной когерентной квантовой памяти. Работа решает проблему эффективной обработки n-кубитных состояний, когда доступный объем памяти k значительно меньше размера системы. Авторы доказывают, что при строгих ограничениях на память возможно достижение высокой точности идентификации квантовых состояний, что критически важно для масштабирования квантовых вычислений и коррекции ошибок. Hacker News · Машинное обучение Законы масштабирования для обучения с учетом квантования Исследователи представили новые законы масштабирования (Scaling Laws), описывающие зависимость точности нейросетей от параметров при использовании обучения с учетом квантования (QAT). Работа доказывает, что при правильном подходе потери от снижения битности весов можно минимизировать, сохраняя предсказуемую производительность модели, что критически важно для эффективного развертывания LLM на устройствах с ограниченными вычислительными ресурсами. arXiv · Исследования и наука Оптимизация квантовых ядер в задачах обучения с подкреплением Исследователи представили новый подход к оптимизации в рамках гауссовских процессов (GP) с использованием квантовых ядер. Работа фокусируется на поиске баланса между выразительностью модели и её обучаемостью в условиях ограниченных вычислительных ресурсов эпохи NISQ. Метод позволяет эффективнее решать задачи квантового контроля и подготовки состояний, минимизируя вычислительные затраты при сохранении высокой точности предсказаний в пространстве воспроизводящего ядра (RKHS).

← Все материалы