量子科技中心_量科网

水分子（H₂O）是宇宙中含量最丰富的分子之一，广泛存在于各类天体物理环境中。在富含水分子的环境建模中，H₂O + H₂O碰撞的转动跃迁过程具有关键作用，但采用量子力学方法进行计算模拟存在巨大挑战。本研究提出一种基于神经网络集成学习的机器学习工具，通过预测截面数据构建复杂分子（如水）转动非弹性碰撞的速率系数数据库。该工作采用混合量子-经典理论（MQCT）计算数据，证明神经网络模型能高效地对两个不对称陀螺分子的转动跃迁过程进行精确插值计算，涵盖涉及12个量子数的初态与终态。研究人员系统考察了不同碰撞能量、水分子对称性及转动激发/退激跃迁对应的数据结构，优化了训练集与验证集。仅使用约10%的计算数据进行训练时，神经网络预测H₂O+H₂O碰撞态-态转动跃迁截面的平均相对均方根误差为0.409。通过整合预测截面数据（约90%）与训练验证数据（约10%）计算得到的热平均截面，与完全基于MQCT计算的结果相比，两者符合度极佳，平均偏差仅约13.5%。该方法具有强鲁棒性，可推广至其他复杂分子体系。