混合量子神经网络与变分量子回归器用于增强CO2捕获胺的QSPR建模
量子物理
2025-06-24 v1
摘要
准确的胺性质预测对于优化燃烧后过程中的CO2捕获效率至关重要。量子机器学习（QML）可以通过利用叠加、纠缠和干涉来捕捉复杂相关性，从而增强预测建模。在本研究中，我们开发了混合量子神经网络（HQNN）以改进CO2捕获胺的定量结构-性质关系（QSPR）建模。通过将变分量子回归器与经典多层感知器和图神经网络相结合，我们在无噪声条件下探索了量子优势在物理化学性质预测中的应用，并在IBM量子系统上评估了其对量子硬件噪声的鲁棒性。我们的结果表明，HQNN在关键溶剂性质（包括碱性、粘度、沸点、熔点和蒸气压）的预测准确性方面有所提升。经微调和冻结的预训练HQNN模型使用9个量子比特始终取得了最高排名，突显了将量子层与预训练经典模型相结合的优势。此外，在硬件噪声下的模拟证实了HQNN的鲁棒性，保持了预测性能。总体而言，这些发现强调了混合量子-经典架构在分子建模中的潜力。随着量子硬件和QML算法的持续发展，QSPR建模和材料发现中的实际量子优势预计将变得越来越可实现，这得益于量子电路设计、噪声缓解和可扩展架构的进步。
引用
@article{arxiv.2503.00388,
title = {Hybrid Quantum Neural Networks with Variational Quantum Regressor for Enhancing QSPR Modeling of CO2-Capturing Amine},
author = {Hyein Cho and Jeonghoon Kim and Hocheol Lim},
journal= {arXiv preprint arXiv:2503.00388},
year = {2025}
}
备注
24 pages, 4 figures