基于光子芯片的机器学习方法用于分子性质预测
新兴技术
2022-12-27 v2 机器学习
光学
量子物理
摘要
机器学习方法已经革新了新分子和材料的发现过程。然而，随着分子复杂度不断增加，神经网络密集的训练过程导致计算成本呈指数增长，带来漫长的模拟时间和高能耗。与数字计算机相比，光子芯片技术为实现神经网络提供了更快的数据处理和更低的能耗的替代平台。光子技术天然能够以零额外硬件成本实现复值神经网络。在此，我们展示了光子神经网络预测分子量子力学性质的能力。据我们所知，这项工作是首个将光子技术用于计算化学与分子科学（如药物发现和材料设计）中机器学习应用的研究。我们进一步表明，通过多任务回归学习算法，可在光子芯片中同时学习多种性质，这也是同类中的首次，因为以往大多数工作集中于在分类任务中实现网络。
引用
@article{arxiv.2203.02285,
title = {A photonic chip-based machine learning approach for the prediction of molecular properties},
author = {Hui Zhang and Jonathan Wei Zhong Lau and Lingxiao Wan and Liang Shi and Hong Cai and Xianshu Luo and Patrick Lo and Chee-Kong Lee and Leong-Chuan Kwek and Ai Qun Liu},
journal= {arXiv preprint arXiv:2203.02285},
year = {2022}
}