Generativer Quanteninspirierter Kolmogorov-Arnold-Eigenlöser
Generative Quantum-inspired Kolmogorov-Arnold Eigensolver
May 6, 2026
Autoren: Yu-Cheng Lin, Yu-Chao Hsu, I-Shan Tsai, Chun-Hua Lin, Kuo-Chung Peng, Jiun-Cheng Jiang, Yun-Yuan Wang, Tzung-Chi Huang, Tai-Yue Li, Kuan-Cheng Chen, Samuel Yen-Chi Chen, Nan-Yow Chen
cs.AI
Zusammenfassung
Hochleistungsrechnen (HPC) gewinnt zunehmend an Bedeutung für skalierbare Quantenchemie-Workflows, die klassische generative Modelle, Quantenschaltkreissimulationen und ausgewählte Konfigurationswechselwirkungs-Nachverarbeitung koppeln. Wir stellen den generativen quanteninspirierten Kolmogorov-Arnold-Eigenlöser (GQKAE) vor, eine parameter-effiziente Erweiterung des generativen Quanten-Eigenlösers (GQE) für die Quantenchemie. GQKAE ersetzt die parameterintensiven Feedforward-Netzwerk-Komponenten in GPT-artigen generativen Eigenlösern durch hybride quanteninspirierte Kolmogorov-Arnold-Netzwerk-Module und bildet so eine kompakte HQKANsformer-Backbone-Struktur. Die Methode bewahrt die autoregressive Operatorauswahl und die Pipeline zur Auswertung der quantenselektierten Konfigurationswechselwirkung, verwendet jedoch Single-Qubit-DatA-Re-Uploading-ActivatioN-Module, um ausdrucksstarke nichtlineare Abbildungen bereitzustellen. Numerische Benchmarks für H4, N2, LiH, C2H6, H2O und das H2O-Dimer zeigen, dass GQKAE eine mit der GPT-basierten GQE-Architektur vergleichbare chemische Genauigkeit erreicht, während trainierbare Parameter und Speicherbedarf um etwa 66 % reduziert und die Echtzeit-Performance verbessert werden. Für stark korrelierte Systeme wie N2 und LiH verbessert GQKAE zudem das Konvergenzverhalten und die finalen Energieabweichungen. Diese Ergebnisse deuten darauf hin, dass quanteninspirierte Kolmogorov-Arnold-Netzwerke den klassischen Seiten-Overhead reduzieren können, während die Qualität der Schaltkreiserzeugung erhalten bleibt, und bieten einen skalierbaren Weg für HPC-Quanten-Co-Design auf kurz- bis mittelfristigen Quantenplattformen.
English
High-performance computing (HPC) is increasingly important for scalable quantum chemistry workflows that couple classical generative models, quantum circuit simulation, and selected configuration interaction postprocessing. We present the generative quantum-inspired Kolmogorov-Arnold eigensolver (GQKAE), a parameter-efficient extension of the generative quantum eigensolver (GQE) for quantum chemistry. GQKAE replaces the parameter-heavy feed-forward network components in GPT-style generative eigensolvers with hybrid quantum-inspired Kolmogorov-Arnold network modules, forming a compact HQKANsformer backbone. The method preserves autoregressive operator selection and the quantum-selected configuration interaction evaluation pipeline, while using single-qubit DatA Re-Uploading ActivatioN modules to provide expressive nonlinear mappings. Numerical benchmarks on H4, N2, LiH, C2H6, H2O, and the H2O dimer show that GQKAE achieves chemical accuracy comparable to the GPT-based GQE architecture, while reducing trainable parameters and memory by approximately 66% and improving wall-time performance. For strongly correlated systems such as N2 and LiH, GQKAE also improves convergence behavior and final energy errors. These results indicate that quantum-inspired Kolmogorov-Arnold networks can reduce classical-side overhead while preserving circuit-generation quality, offering a scalable route for HPC-quantum co-design on near-term quantum platforms.