基于机器学习的退火方法用于预测广义正则晶体结构

本研究探讨了将具有量子退火的因子分解机（Factorization Machines with Quantum Annealing, FMQA）应用于材料科学中的晶体结构问题（Crystal Structure Problem, CSP）。FMQA是一种黑箱优化算法，将机器学习与退火机器结合，以寻找最小化给定损失函数的黑箱函数样本。CSP涉及根据材料的化学组成确定原子的最优排列，这是材料科学中的关键挑战。我们探讨FMQA在通过将损失函数设置为由预定义原子势能给定的晶体配置能量来高效采样最优晶体配置方面的能力。进一步我们研究了该算法对各种亚稳定配置（势能局部极小值）能量的学习情况。我们的研究结果表明，FMQA在快速基态采样和恢复局部极小值间关系顺序方面具有潜力。