Генеративный квантово-вдохновленный соболевский решатель КА
Generative Quantum-inspired Kolmogorov-Arnold Eigensolver
May 6, 2026
Авторы: 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
Аннотация
Высокопроизводительные вычисления (HPC) приобретают все большее значение для масштабируемых рабочих процессов квантовой химии, которые объединяют классические генеративные модели, симуляцию квантовых схем и последующую обработку методом выбранной конфигурационной интерракции. Мы представляем генеративный квантово-вдохновленный алгоритм собственных значений Колмогорова-Арнольда (GQKAE) — параметрически эффективное расширение генеративного квантового алгоритма собственных значений (GQE) для квантовой химии. GQKAE заменяет параметрически насыщенные компоненты прямого распространения в GPT-подобных генеративных алгоритмах собственных значений гибридными квантово-вдохновленными модулями сети Колмогорова-Арнольда, формируя компактный HQKANsformer backbone. Метод сохраняет авторегрессионный выбор операторов и конвейер оценки квантового метода выбранной конфигурационной интерракции, используя модули активации с повторной загрузкой данных для одного кубита (DatA Re-Uploading ActivatioN) для обеспечения выразительных нелинейных отображений. Численные тесты для систем H4, N2, LiH, C2H6, H2O и димера H2O показывают, что GQKAE достигает химической точности, сравнимой с GPT-основанной архитектурой GQE, при этом сокращая обучаемые параметры и память примерно на 66% и улучшая производительность в реальном времени. Для систем с сильной корреляцией, таких как N2 и LiH, GQKAE также улучшает поведение сходимости и финальные ошибки энергии. Эти результаты указывают на то, что квантово-вдохновленные сети Колмогорова-Арнольда могут снизить классические накладные расходы, сохраняя качество генерации схем, что открывает масштабируемый путь для совместного проектирования HPC и квантовых систем на платформах ближайшего будущего.
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.