针对化学键能量解离的量子机器学习适应性研究
准确预测键解离能（BDEs）为机理洞察及分子与材料的合理设计提供了基础支撑。该研究团队通过化学精选的特征集（包含原子性质、键特性和局部环境描述符），系统性地比较了量子与经典机器学习模型在BDE预测中的性能。量子框架基于Qiskit Aer在六量子比特上实现，采用ZZFeatureMap编码和变分ansatz（RealAmplitudes），涵盖变分量子回归器（VQR）、量子支持向量回归器（QSVR）、量子神经网络（QNN）、量子卷积神经网络（QCNN）及量子随机森林（QRF）等多种架构。这些模型与支持向量回归（SVR）、随机森林（RF）和多层感知器（MLP）等经典基线进行了严格对比。综合评估表明，性能最佳的量子模型（QCNN、QRF）在预测精度和鲁棒性方面与经典集成方法及深度网络相当，尤其在化学常见的中等BDE区间表现突出。该工作为量子增强的分子性质预测建立了透明基准，并为推动量子计算化学接近化学精度奠定了实践基础。
