数据驱动、多目标量子优化的进展
材料科学
2025-12-15 v1
摘要
本文提出两种互补的方法，推动二次无约束二进制优化（QUBO）向实际数据驱动材料设计及其他真值黑盒优化任务的实用化。首先，我们引入一种简单而强大的预处理方案，应用于机器学习 QUBO 模型，可通过构造完全消除系统级等式约束，从而使繁复的软惩罚项多余，简化 QUBO 表述，并显著加速求解搜索。其次，我们发展一种受 Tchebycheff 标量化启发的多目标优化策略，兼容非凸目标景观，显著优于现有的 QUBO 基于的 Pareto 前沿方法。我们以简化的多相铝合金设计问题为例，展示了两种方法的有效性，突出在效率与解质量方面的显著提升。这些方法拓宽了 QUBO 优化的适用范围，为数据驱动材料发现及更广泛的应用提供了实用工具。
引用
@article{arxiv.2512.11479,
title = {Progress on Data-Driven, Multi-Objective Quantum Optimization},
author = {Thomas Plehn and Daniel Barragan-Yani and Eric Breitbarth and Guillermo Requena and David Melching},
journal= {arXiv preprint arXiv:2512.11479},
year = {2025}
}