Exploring Quantum Active Learning for Materials Design and Discovery

Maicon Pierre Lourenço; Hadi Zadeh-Haghighi; Jiří Hostaš; Mosayeb Naseri; Daya Gaur; Christoph Simon; Dennis R. Salahub

Exploring Quantum Active Learning for Materials Design and Discovery

量子物理 2024-07-30 v1 材料科学原子与分子团簇化学物理

作者: Maicon Pierre Lourenço , Hadi Zadeh-Haghighi , Jiří Hostaš , Mosayeb Naseri , Daya Gaur , Christoph Simon , Dennis R. Salahub

在 arXiv 上查看 ↗ PDF ↗

摘要

人工智能（AI）与量子计算的结合已经成为现实；量子机器学习（QML）有望设计更好的回归模型。本文延续我们之前使用经典主动学习（AL）进行材料发现的研究，该研究显示数据经济显著，探索在 AL 框架中运用量子算法（QAL），即在 MLChem4D 和 QMLMaterials 代码中实现的 QAL。 proposed QAL 使用量子支持向量回归器（QSVR）或量子高斯过程回归器（QGPR），并采用各种量子核函数和不同的特征映射。数据集包括钙钛矿材料性质（压电系数、带隙、能量存储）以及一种 chosen 用于与经典 AL 结果比较的掺杂纳米颗粒（3Al@Si11）的结构优化。我们的结果显示，QAL 方法在大多数情况下改善了搜索，但并非所有情况均如此，似乎与数据粗糙程度相关。QAL 在化学空间中寻找最优解以及在化学领域的其他领域具有潜力。

关键词

量子机器学习主动学习材料发现 QSVR QGPR

引用

@article{arxiv.2407.18731,
  title  = {Exploring Quantum Active Learning for Materials Design and Discovery},
  author = {Maicon Pierre Lourenço and Hadi Zadeh-Haghighi and Jiří Hostaš and Mosayeb Naseri and Daya Gaur and Christoph Simon and Dennis R. Salahub},
  journal= {arXiv preprint arXiv:2407.18731},
  year   = {2024}
}

备注

30 pages, 6 figures

Exploring Quantum Active Learning for Materials Design and Discovery

摘要

关键词

引用

备注

相关论文