생성형 양자 영감 콜모고로프-아르놀드 고유값 솔버

Generative Quantum-inspired Kolmogorov-Arnold Eigensolver

May 6, 2026

저자: 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

초록

고성능 컴퓨팅(HPC)은 클래식 생성 모델, 양자 회로 시뮬레이션, 선택적 구성 상호작용 후처리를 결합한 확장 가능한 양자 화학 워크플로우에서 점점 더 중요해지고 있다. 본 논문에서는 양자 화학을 위한 생성 양자 고유값 솔버(GQE)의 매개변수 효율적 확장인 생성적 양자 영감 콜모고로프-아르놀드 고유값 솔버(GQKAE)를 제안한다. GQKAE는 GPT 스타일 생성 고유값 솔버에서 매개변수가 많은 피드포워드 네트워크 구성 요소를 하이브리드 양자 영감 콜모고로프-아르놀드 네트워크 모듈로 대체하여 컴팩트한 HQKANsformer 백본을 형성한다. 이 방법은 자동회귀적 연산자 선택과 양자 선택 구성 상호작용 평가 파이프라인을 유지하면서, 단일 큐비트 데이터 재업로드 활성화 모듈을 사용하여 표현력 있는 비선형 매핑을 제공한다. H4, N2, LiH, C2H6, H2O 및 H2O 이합체에 대한 수치 벤치마크 결과, GQKAE는 GPT 기반 GQE 아키텍처와 유사한 화학적 정확도를 달성하면서 훈련 가능 매개변수와 메모리를 약 66% 절감하고 월타임 성능을 향상시킨다. N2 및 LiH와 같은 강한 상관관계 시스템에서 GQKAE는 수렴 행동과 최종 에너지 오차도 개선한다. 이러한 결과는 양자 영감 콜모고로프-아르놀드 네트워크가 회로 생성 품질을 유지하면서 클래식 측 오버헤드를 줄일 수 있음을 보여주며, 단기적 양자 플랫폼에서 HPC-양자 공동 설계를 위한 확장 가능한 경로를 제시한다.

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.