基于量子自然语言处理的金属有机框架反向设计
机器学习
2025-11-21 v3 人工智能
计算与语言
量子物理
摘要
本研究探索利用量子自然语言处理(QNLP)进行金属有机框架(MOFs)的反向设计。具体而言，通过分析由3种拓扑结构、10种金属节点和15种有机配体构成的450个假设MOF结构，构建四类基于孔体积和CO₂亨利常数的分类模型。比较多种QNLP模型(即词袋模型、分布式组成范畴模型DisCoCat及序列模型)，识别处理MOF数据集的最有效方法。基于IBM Qiskit提供的经典模拟器，词袋模型被确定为最佳模型，在孔体积和CO₂亨利常数的二分类任务中分别实现88.6%和78.0%的验证准确率。进一步开发的针对量子电路概率特性的多分类模型，在不同类别的孔体积和CO₂亨利常数数据集中平均测试准确率分别达92%和80%。最终，生成目标性质的MOF性能分别达到93.5%和87%。尽管本研究仅涵盖MOF搜索空间的极小部分，但标志着首次利用量子计算进行材料设计的可能性，为从新视角探索MOF的复杂图景提供了渠道。
引用
@article{arxiv.2405.11783,
title = {Property-guided Inverse Design of Metal-Organic Frameworks Using Quantum Natural Language Processing},
author = {Shinyoung Kang and Jihan Kim},
journal= {arXiv preprint arXiv:2405.11783},
year = {2025}
}
备注
46 pages, 7 figures, 6 supplementary figures, 1 table, 2 supplementary tables, 1 supplementary note