量子科技中心_量科网

量子机器学习（QML）在化学数据集分析方面具有巨大潜力。然而传统量子数据编码方案（如指纹编码）通常难以准确表征此类数据集中的化学基团。该研究团队提出的量子分子结构编码（QMSE）方案，将分子键级与原子间耦合（以混合库仑-邻接矩阵表示）直接编码为参数化电路中的单量子比特与双量子比特旋转。研究表明，相较于其他指纹编码方法，该策略能有效提升编码分子间的状态可分离性，这对QML工作流程中特征图制备尤为关键。为验证方法性能，研究人员在分子数据集上训练参数化拟设电路，成功实现了状态相位分类与沸点回归任务，证明了QMSE具有竞争力的可训练性与泛化能力。该工作还提出保真度守恒的链式收缩定理，通过复用公共子结构削减量子比特用量，并以长链脂肪酸为例验证其应用价值。这一兼具可扩展性与可解释性的编码框架，有望为分子数据集的实用化QML应用开辟新路径。