适应量子机器学习用于能量键分离
量子物理
2025-10-09 v1 机器学习
摘要
准确预测键分离能（BDE）为理解机理和分子/材料的理性设计提供支撑。我们提出了一套系统性、可重复的基准测试，比较了量子和经典机器学习模型用于 BDE 预测，采用包含原子属性（原子序数、杂化状态）、键特征（键级、类型）和局部环境描述符的化学精选特征集。我们的量子框架在 Qiskit Aer 上实现，使用六量子比特，采用 ZZFeatureMap 编码与变分 ansatz（RealAmplitudes） across 多种架构：变分量子回归器（VQR）、量子支持向量回归器（QSVR）、量子神经网络（QNN）、量子卷积神经网络（QCNN）和量子随机森林（QRF）。这些模型严格基准测试于强经典基线，包括支持向量回归（SVR）、随机森林（RF）和多层感知器（MLP）。综合评估包括绝对误差、相对误差、阈值精度和误差分布，结果显示顶级量子模型（QCNN、QRF）在预测准确性和鲁棒性方面与经典集成和深度网络相当，尤其在化学常出现的中等 BDE 范围内表现良好。这些发现为量子增强的分子性质预测建立了透明的基线，为推进量子计算化学迈向近化学精度的实际基础。
引用
@article{arxiv.2510.06563,
title = {Adapting Quantum Machine Learning for Energy Dissociation of Bonds},
author = {Swathi Chandrasekhar and Shiva Raj Pokhrel and Navneet Singh},
journal= {arXiv preprint arXiv:2510.06563},
year = {2025}
}