量子退火增强的机器学习用于高熵合金的可解释相分类
材料科学
2025-07-15 v1
摘要
高熵合金(HEA)为设计先进材料提供了前所未有的组分灵活性，但其晶体相预测仍是关键瓶颈，由于数据有限且相形成行为复杂。本文提出一种量子增强机器学习框架，利用量子退火来增强HEA中的相分类。我们的管道集成了用于可解释特征选择和分类的量子提升(QBoost)，以及使用量子增强核的量子支持向量机(QSVM)，后者用于捕获物理描述符之间的非线性关系。通过将两者均重新表述为二次无约束二进制优化(QUBO)问题，我们利用量子退火器的高效抽样能力，实现快速训练和稳健泛化，在我们的实验 setup 中显著减少运行时间。我们针对六个关键相：FCC、BCC、Sigma、Laves、Heusler和AlXY B2进行测试，并使用交叉验证和严格筛选的HEA实验合成测试集进行基准测试。结果确认预测相与实际测量相之间存在强大的一致性。我们的发现表明，量子增强分类器在准确率上可与或优于经典模型，并提供基于可解释物理描述符的见解。这一工作是通往实际量子加速在材料发现管道中应用的重要一步。
引用
@article{arxiv.2507.10237,
title = {Quantum-Annealing Enhanced Machine Learning for Interpretable Phase Classification of High-Entropy Alloys},
author = {Diego Ibarra Hoyos and Gia-Wei Chern and Israel Klich and Joseph Poon},
journal= {arXiv preprint arXiv:2507.10237},
year = {2025}
}