量子科技中心_量科网

在量子机器学习（QML）领域，由固定量子门和可调量子门组合构建的参数化量子电路（PQCs），为解决复杂机器学习问题提供了极具前景的混合框架。尽管已有众多应用被提出，但与量子化学相关的数据集探索仍十分有限。该研究团队通过两个具有化学意义的数据集考察PQCs的潜在优势与局限：（1）包含49类化学键键解离能的BSE49数据集；（2）基于数据驱动耦合簇（DDCC）方法从低阶电子结构预测CCSD波函数的水分子构象数据集。研究人员构建了包含14种数据编码策略与12种变分酉组合的168种PQCs方案，并在5量子比特和16量子比特电路上评估其性能。通过状态向量模拟初步分析了电路结构对模型性能的影响，进而探究了电路深度与训练集规模对性能的作用机制。最后，该工作利用噪声模拟（“伪”后端）和真实量子设备，评估了最优PQC方案在当前量子硬件上的表现。研究结果凸显了PQCs在化学相关问题应用中的挑战——这些问题对经典机器学习方法而言轻而易举，但对量子方法仍非易事。