Générateur d'EigenSolveur de Kolmogorov-Arnold Inspiré par la Mécanique Quantique
Generative Quantum-inspired Kolmogorov-Arnold Eigensolver
May 6, 2026
Auteurs: 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
Résumé
Le calcul haute performance (HPC) devient de plus en plus important pour les workflows de chimie quantique évolutifs qui couplent des modèles génératifs classiques, la simulation de circuits quantiques et le post-traitement par interaction de configurations sélectionnées. Nous présentons le solveur aux valeurs propres quantique inspiré et génératif de Kolmogorov-Arnold (GQKAE), une extension à paramètres efficaces du solveur aux valeurs propres quantique génératif (GQE) pour la chimie quantique. GQKAE remplace les composants de réseau feed-forward gourmands en paramètres des solveurs aux valeurs propres génératifs de type GPT par des modules hybrides de réseau de Kolmogorov-Arnold d'inspiration quantique, formant une architecture compacte de type HQKANsformer. La méthode préserve la sélection d'opérateurs autogressive et le pipeline d'évaluation par interaction de configurations sélectionnées quantiques, tout en utilisant des modules d'activation à re-téléchargement de données (DatA Re-Uploading ActivatioN) à un qubit pour fournir des applications non linéaires expressives. Des benchmarks numériques sur H4, N2, LiH, C2H6, H2O et le dimère de H2O montrent que GQKAE atteint une précision chimique comparable à l'architecture GQE basée sur GPT, tout en réduisant les paramètres entraînables et la mémoire d'environ 66 % et en améliorant les performances en temps réel. Pour les systèmes fortement corrélés tels que N2 et LiH, GQKAE améliore également le comportement de convergence et les erreurs d'énergie finale. Ces résultats indiquent que les réseaux de Kolmogorov-Arnold d'inspiration quantique peuvent réduire la surcharge classique tout en préservant la qualité de génération des circuits, offrant ainsi une voie évolutive pour la co-conception HPC-quantique sur les plateformes quantiques à court terme.
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.