基于量子增强机器学习算法的材料发现

材料发现是一个计算密集型过程，需要探索广阔的化学空间以识别具有所需特性的有前景候选物。在本工作中，我们提出使用遵循极值学习框架的量子增强机器学习算法来预测具有低空穴重组能 $\lambda$ 的新型杂芳烯结构，这是有机半导体的关键特性。我们利用先前大规模虚拟筛选中生成的化学数据构建了三个初始训练数据集，分别包含 54、99 和 119 个分子，分别使用 $N=7, 16$ 和 22 位进行编码。此外，采用顺序学习过程通过迭代重新训练利用算法预测的化合物来扩充初始训练数据。两种算法都能够成功外推到初始数据集中具有更低 $\lambda$ 的杂芳烯结构，即使在初始数据量有限的情况下也展示了良好的泛化能力。我们观察到随着编码位数 $N$ 的增加，预测化合物的质量有所提高，这为将这些算法应用于需要更大 $N$ 值的更丰富化学空间提供了令人兴奋的前景，因此，从长远来看，需要更大的量子电路来部署所提出的量子增强协议。