Buchumschlag

Parametrized Quantum Circuit Learning for Quantum Chemical Applications

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jones, Grier M., Prasad, Viki Kumar, Fekl, Ulrich, Jacobsen, Hans-Arno
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Quantum Physics Machine Learning Chemical Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Distributed Quantum Computing for Chemical Applications
von: Jones, Grier M., et al.
Veröffentlicht: (2024)

Probabilistic Design of Parametrized Quantum Circuits through Local Gate Modifications
von: Jones, Grier M., et al.
Veröffentlicht: (2026)

Analyzing Common Electronic Structure Theory Algorithms for Distributed Quantum Computing
von: Jones, Grier M., et al.
Veröffentlicht: (2025)

Integrating Machine Learning and Quantum Circuits for Proton Affinity Predictions
von: Jin, Hongni, et al.
Veröffentlicht: (2024)

Hybrid Quantum--Classical Machine Learning Potential with Variational Quantum Circuits
von: Willow, Soohaeng Yoo, et al.
Veröffentlicht: (2025)

Adversarial Robustness in Distributed Quantum Machine Learning
von: Kananian, Pouya, et al.
Veröffentlicht: (2025)

Spectral Densities, Structured Noise and Ensemble Averaging within Open Quantum Dynamics
von: Holtkamp, Yannick Marcel, et al.
Veröffentlicht: (2024)

The Convergence Frontier: Integrating Machine Learning and High Performance Quantum Computing for Next-Generation Drug Discovery
von: Ansari, Narjes, et al.
Veröffentlicht: (2026)

Analysis of Atom-level pretraining with Quantum Mechanics (QM) data for Graph Neural Networks Molecular property models
von: Arjona-Medina, Jose, et al.
Veröffentlicht: (2024)

A Roadmap for Simulating Chemical Dynamics on a Parametrically Driven Bosonic Quantum Device
von: Cabral, Delmar G. A., et al.
Veröffentlicht: (2024)

Quantum Dynamics via Score Matching on Bohmian Trajectories
von: Wang, Lei
Veröffentlicht: (2026)

Accurate Computation of Quantum Excited States with Neural Networks
von: Pfau, David, et al.
Veröffentlicht: (2023)

Asymmetry Control in a Parametric Oscillator for the Quantum Simulation of Chemical Activation
von: de Albornoz, Alejandro Cros Carrillo, et al.
Veröffentlicht: (2024)

Assessing Non-Nested Configurations of Multifidelity Machine Learning for Quantum-Chemical Properties
von: Vinod, Vivin, et al.
Veröffentlicht: (2024)

Variationally Compressing Quantum Circuits to Approximate Nonadiabatic Molecular Quantum Dynamics
von: Courtney, Joshua M., et al.
Veröffentlicht: (2026)

Adversarial Robustness of Partitioned Quantum Classifiers
von: Kananian, Pouya, et al.
Veröffentlicht: (2025)

Quantum Simulations of Chemical Reactions: Achieving Accuracy with NISQ Devices
von: Sarkar, Maitreyee, et al.
Veröffentlicht: (2025)

Computing Electronic Correlation Energies using Linear Depth Quantum Circuits
von: Chee, Chong Hian, et al.
Veröffentlicht: (2022)

Data-Driven Parametrization of Molecular Mechanics Force Fields for Expansive Chemical Space Coverage
von: Zheng, Tianze, et al.
Veröffentlicht: (2024)

Complete and Efficient Covariants for 3D Point Configurations with Application to Learning Molecular Quantum Properties
von: Maennel, Hartmut, et al.
Veröffentlicht: (2024)

Quantum Walks for Chemical Reaction Networks
von: Hariharan, Seenivasan, et al.
Veröffentlicht: (2025)

Quantum Field Approaches to Chemical Systems
von: Karimpour, Reza, et al.
Veröffentlicht: (2026)

QeMFi: A Multifidelity Dataset of Quantum Chemical Properties of Diverse Molecules
von: Vinod, Vivin, et al.
Veröffentlicht: (2024)

Quantum Algorithms and Applications for Open Quantum Systems
von: Delgado-Granados, Luis H., et al.
Veröffentlicht: (2024)

Advancing Practical Quantum Embedding Simulations via Operator Commutativity Based State Preparation for Complex Chemical Systems
von: Mondal, Dibyendu, et al.
Veröffentlicht: (2026)

Spin-Adapted Fermionic Unitaries: From Lie Algebras to Compact Quantum Circuits
von: Magoulas, Ilias, et al.
Veröffentlicht: (2025)

Quantum Circuits for the Metropolis-Hastings Algorithm
von: Claudon, Baptiste, et al.
Veröffentlicht: (2025)

Classical Pre-optimization Approach for ADAPT-VQE: Maximizing the Potential of High-Performance Computing Resources to Improve Quantum Simulation of Chemical Applications
von: Mullinax, J. Wayne, et al.
Veröffentlicht: (2024)

FreeCG: Free the Design Space of Clebsch-Gordan Transform for Machine Learning Force Fields
von: Shao, Shihao, et al.
Veröffentlicht: (2024)

Generative flow-based warm start of the variational quantum eigensolver
von: Zou, Hang, et al.
Veröffentlicht: (2025)

Using machine learning to map simulated noisy and laser-limited multidimensional spectra to molecular electronic couplings
von: Schultz, Jonathan D., et al.
Veröffentlicht: (2025)

Automated Unitary Coupled Cluster Circuit Design via Differentiable Quantum Architecture Search
von: Chen, Jianpeng, et al.
Veröffentlicht: (2026)

Open Source Variational Quantum Eigensolver Extension of the Quantum Learning Machine (QLM) for Quantum Chemistry
von: Haidar, Mohammad, et al.
Veröffentlicht: (2022)

Integrating Classical and Quantum Software for Enhanced Simulation of Realistic Chemical Systems
von: Shiota, Tomoya, et al.
Veröffentlicht: (2025)

A Quantum Algorithmic Approach to Multiconfigurational Valence Bond Theory: Insights from Interpretable Circuit Design
von: Kottmann, Jakob S., et al.
Veröffentlicht: (2023)

High Performance Quantum Emulation for Chemistry Applications with Hyperion
von: Adjoua, Olivier, et al.
Veröffentlicht: (2026)

Quantum Machine Learning of Molecular Energies with Hybrid Quantum-Neural Wavefunction
von: Li, Weitang, et al.
Veröffentlicht: (2025)

Towards Chemically Accurate and Scalable Quantum Simulations on IQM Quantum Hardware: A Quantum-HPC Hybrid Approach
von: V., Anurag K. S., et al.
Veröffentlicht: (2026)

From Entanglement to Bonds: Chemical Bonding Concepts from Quantum Information Theory
von: Ding, Lexin, et al.
Veröffentlicht: (2025)

Implicitly Restarted Lanczos Enables Chemically-Accurate Shallow Neural Quantum States
von: Liu, Wei, et al.
Veröffentlicht: (2026)