量子物理
[提交于 2025年3月1日
]
标题: 具有变分量子回归器的混合量子神经网络用于增强CO2捕获胺的QSPR建模
标题: Hybrid Quantum Neural Networks with Variational Quantum Regressor for Enhancing QSPR Modeling of CO2-Capturing Amine
摘要: 准确预测胺的性质对于优化燃烧后工艺中的CO2捕获效率至关重要。 量子机器学习(QML)通过利用叠加、纠缠和干涉来捕捉复杂的关联性,从而增强预测建模能力。 在这项研究中,我们开发了混合量子神经网络(HQNN),以改进用于CO2捕获胺的定量结构-性质关系建模。 通过将变分量子回归器与经典多层感知器和图神经网络集成,我们在无噪声条件下探索了量子优势在物理化学性质预测中的应用,并使用IBM量子系统评估了针对量子硬件噪声的鲁棒性。 我们的结果显示,HQNN提高了关键溶剂性质的预测准确性,包括碱性、粘度、沸点、熔点和蒸气压。 经过微调并冻结的预训练9量子位HQNN模型始终获得了最高的排名,突显了将量子层与预训练的经典模型相结合的好处。 此外,在硬件噪声下的模拟验证了HQNN的鲁棒性,保持了预测性能。 总体而言,这些发现强调了混合量子经典架构在分子建模中的潜力。 随着量子硬件和QML算法的不断发展,预计由于量子电路设计、噪声抑制和可扩展架构的改进,QSPR建模和材料发现中的实际量子优势将变得越来越可实现。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.