Generatieve Quantum-geïnspireerde Kolmogorov-Arnold Eigenwaarde-oplosser
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
Samenvatting
High-performance computing (HPC) wordt steeds belangrijker voor schaalbare quantumchemische workflows die klassieke generatieve modellen, quantumcircuitsimulatie en geselecteerde configuratie-interactie-naverwerking combineren. Wij presenteren de generatieve quantum-geïnspireerde Kolmogorov-Arnold-eigenwaarde-oplosser (GQKAE), een parameter-efficiënte uitbreiding van de generatieve quantum-eigenwaarde-oplosser (GQE) voor quantumchemie. GQKAE vervangt de parameterintensieve feed-forward-netwerkcomponenten in GPT-stijl generatieve eigenwaarde-oplossers door hybride quantum-geïnspireerde Kolmogorov-Arnold-netwerkmodules, waardoor een compacte HQKANsformer-backbone ontstaat. De methode behoudt autogressieve operatorselectie en de quantum-geselecteerde configuratie-interactie-evaluatiepijplijn, terwijl single-qubit DatA Re-Uploading ActivatioN-modules worden gebruikt om expressieve niet-lineaire mappingen te bieden. Numerieke benchmarks op H4, N2, LiH, C2H6, H2O en het H2O-dimeer tonen aan dat GQKAE een chemische nauwkeurigheid bereikt die vergelijkbaar is met de GPT-gebaseerde GQE-architectuur, terwijl de trainbare parameters en het geheugengebruik met ongeveer 66% worden gereduceerd en de wall-time-prestatie verbetert. Voor sterk gecorreleerde systemen zoals N2 en LiH verbetert GQKAE tevens het convergentiegedrag en de finale energie-afwijkingen. Deze resultaten geven aan dat quantum-geïnspireerde Kolmogorov-Arnold-netwerken de klassieke overhead kunnen verminderen terwijl de kwaliteit van circuitgeneratie behouden blijft, wat een schaalbare route biedt voor HPC-quantum co-design op near-term quantumplatforms.
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.