使用量子机器学习对过渡金属硫族化物和氧化物进行分类分析
材料科学
2024-05-30 v1 计算物理
摘要
量子机器学习(QML)利用机器学习的潜力，借助量子优势探索复杂大数据集中的微妙模式。这指数级减少了计算所需的时间和资源。QML通过主动筛选化学空间、识别实际应用中的新材料以及根据测量属性对结构多样的材料进行分类，加速了材料研究。本研究分析了三种高效的量子机器学习算法：变分量子本征求解器(VQE)、量子支持向量机(QSVM)和量子神经网络(QNN)在过渡金属硫族化物和氧化物(TMCs & TMOs)分类中的性能。分析在三个不同大小的数据集上进行，分别包含102、192和350种材料，其中TMCs标记为+1，TMOs标记为-1。通过特征选择，经典机器学习达到100%准确率，而QML在QSVC上对测试和训练数据分别达到99%和98%的最高性能。本研究确立了QML模型在材料分类中的能力，并利用电路描述符的可表达性和纠缠能力探索了量子电路在过拟合方面的问题。此外，还给出了在含噪声中等规模量子(NISQ)设备上QML在材料研究中的前景。
引用
@article{arxiv.2405.18989,
title = {Classification analysis of transition-metal chalcogenides and oxides using quantum machine learning},
author = {Kurudi V Vedavyasa and Ashok Kumar},
journal= {arXiv preprint arXiv:2405.18989},
year = {2024}
}
备注
29 pages, 5 figures, 1 table