2026年10月14日——Terra Quantum与Schaeffler Technologies AG & Co. KG宣布在《Computational Materials Science》（Elsevier）上发表联合研究。论文“Multi-objective optimization and quantum hybridization of equivariant deep learning interatomic potentials”可在《Computational Materials Science》期刊第270卷（2026年）文章编号114742以及arXiv上开放获取。 

该出版物是Terra Quantum与Schaeffler之间一个商业项目的科学成果。该研究探讨了对Allegro机器学习原子间势（MLIP）模型的修改；这类模型经过训练可预测分子系统的能量和力，在接近DFT精度的同时降低能量计算的计算成本。论文通过添加经典多层感知机（MLP）层或量子-经典混合层构建了Allegro架构的变体，并在四个数据集上评估这些变体，其中包括为Schaeffler合作开发的自生成铜-锂数据集。

结果：Cu-Li数据集上的混合量子架构 

两种架构变体——经典变体和混合量子变体——在建模了力的数据集（铜-锂、阿司匹林、苯）上，在力预测精度方面均超过了团队自行重新训练的Allegro基线。铜-锂是混合变体（在力精度方面）得到完全优化的唯一数据集；在该数据集上，它实现了最佳的力预测精度，比经典变体高出约13%。“这一结果表明，量子-经典混合能够在工业无机材料系统上带来力预测精度的可测量提升，”Terra Quantum量子AI全球总监Alexey Melnikov博士表示。 

值得注意的是，尽管混合变体的量子相关超参数是从铜-锂沿用而来，而非针对每个数据集重新调优，它仍在其余数据集（QM9、rMD17-阿司匹林和rMD17-苯）上取得了有竞争力的结果。作者将这一点视为证据，表明“量子-经典混合是增强MLIP架构的一个有前景的方向。”Melnikov博士补充道：“尤其令人鼓舞的是，即使没有针对特定数据集进行优化，混合变体在其他数据集上仍保持竞争力，这表明该方法值得在其训练所用系统之外继续探索。” 

研究中使用的铜-锂数据集是专有的且为自行生成：包含11,635个经DFT计算的铜原子和锂原子结构，涵盖表面、界面、空位和熔融-淬火构型，专门为此工业合作生成。“Schaeffler致力于推进材料研究中的计算方法，”Schaeffler Technologies的Joanna Procelewska博士表示。“这项工作在一个与我们的工业应用直接相关的系统上产生了经过科学验证的结果。我们很高兴看到它通过同行评审获得认可。”