
-
生物通官微
陪你抓住生命科技
跳动的脉搏
量子启发的正交变换生成框架用于析氢反应催化材料发现
《npj Computational Materials》:Quantum-inspired inverse design of heterogeneous catalysts for hydrogen evolution reaction
【字体: 大 中 小 】 时间:2026年09月19日 来源:npj Computational Materials 13.1
编辑推荐:
摘要从经典和量子角度来看,数据驱动的稳定和功能性材料发现仍然是化学和材料科学面临的一项重大挑战。量子机器学习为在广阔的化学空间中进行材料优化提供了新的机遇,但硬件限制制约了其实际应用。经典模型可以高效地处理大规模数据集,但其探索未见化学空间的能力受到分布外预测不确定性的根本限
从经典和量子角度来看,数据驱动的稳定和功能性材料发现仍然是化学和材料科学面临的一项重大挑战。量子机器学习为在广阔的化学空间中进行材料优化提供了新的机遇,但硬件限制制约了其实际应用。经典模型可以高效地处理大规模数据集,但其探索未见化学空间的能力受到分布外预测不确定性的根本限制。尽管迁移学习能够实现超出训练分布的探索,但在目标域上进行微调往往会扭曲从源域学习到的潜在表示。为了应对这些挑战,我们提出了一种量子启发的生成框架,用于发现析氢反应(HER)的催化材料。受变分量子线路(VQCs)在某些任务中表现优于经典模型的启发,我们假设VQCs的范数守恒性质在材料表示和优化中起着关键作用。因此,我们在经典生成模型中引入了正交变换,以维持潜在空间结构并增强材料发现能力。通过迁移学习引入额外数据后,具有正交变换的经典模型变得实用有效。我们的研究结果为将量子机器学习应用于材料发现提供了实用指导,并表明了量子启发式生成模型探索先前不可达化学空间的潜力。