基于量子启发化学规则发现拓扑材料
材料科学
2025-12-16 v1
摘要
拓扑材料表现出独特的电子结构，支撑着基本的量子现象和下一代技术，但其发现受限于第一性原理计算的高计算成本以及实验合成的缓慢、资源密集型。最近的机器学习方法，如启发式的拓扑性规则，提供了数据驱动的替代方案，通过量化每个元素对拓扑行为本质趋势。本文发展了一种量子-经典混合人工神经网络 (QANN)，将该规则扩展为量子启发形式。在此框架下，QANN 将构成描述映射到量子概率�幅中，自然引入无法被经典启发式方法捕获的两元素间的相互关联。通过构建等价复数神经网络 (CVNN) 验证了这些关联的物理有效性，确认了该表述的一致性和可解释性。保留化学推理的简单性，同时嵌入量子本土特征，我们的量子启发规则实现了高效且可泛化的拓扑分类。高通量筛选结合第一性原理 (DFT) 验证发现了五个此前未报道的拓扑化合物，展示了量子启发式方法所带来的预测能力和物理洞察。
引用
@article{arxiv.2512.13115,
title = {Quantum-inspired Chemical Rule for Discovering Topological Materials},
author = {Xinyu Xu and Rajibul Islam and Ghulam Hussain and Yangming Huang and Xiaoguang Li and Pavlo O. Dral and Arif Ullah and Ming Yang},
journal= {arXiv preprint arXiv:2512.13115},
year = {2025}
}