Generador Cuántico-Inspirado de Autovectores basado en Kolmogorov-Arnold
Generative Quantum-inspired Kolmogorov-Arnold Eigensolver
May 6, 2026
Autores: 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
Resumen
La computación de alto rendimiento (HPC) es cada vez más importante para los flujos de trabajo escalables de química cuántica que combinan modelos generativos clásicos, simulación de circuitos cuánticos y postprocesamiento de interacción de configuraciones seleccionadas. Presentamos el resolvedor de autovalores generativo inspirado en la cuántica de Kolmogorov-Arnold (GQKAE), una extensión eficiente en parámetros del resolvedor de autovalores generativo cuántico (GQE) para química cuántica. GQKAE reemplaza los componentes de red neuronal de avance de parámetros intensivos en los resolvedores de autovalores generativos de estilo GPT con módulos híbridos de red de Kolmogorov-Arnold inspirados en la cuántica, formando una columna vertebral compacta tipo HQKANsformer. El método preserva la selección de operadores autorregresiva y la canalización de evaluación de interacción de configuraciones seleccionadas-cuánticas, mientras utiliza módulos de Activación de Recarga de Datos de un solo qubit para proporcionar mapeos no lineales expresivos. Los puntos de referencia numéricos en H4, N2, LiH, C2H6, H2O y el dímero de H2O muestran que GQKAE logra una precisión química comparable a la arquitectura GQE basada en GPT, mientras reduce los parámetros entrenables y la memoria en aproximadamente un 66% y mejora el rendimiento en tiempo de ejecución. Para sistemas fuertemente correlacionados como N2 y LiH, GQKAE también mejora el comportamiento de convergencia y los errores de energía final. Estos resultados indican que las redes de Kolmogorov-Arnold inspiradas en la cuántica pueden reducir la sobrecarga del lado clásico mientras preservan la calidad de generación de circuitos, ofreciendo una ruta escalable para el codiseño HPC-cuántico en plataformas cuánticas de corto plazo.
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.