量子科技中心_量科网

用于模拟大型复杂分子系统的量子算法仍处于起步阶段，超越最先进经典技术的目标始终遥不可及。当前更具前景的研究方向是通过混合量子-经典算法寻求实际优势——将传统神经网络与在现今含噪声中等规模量子（NISQ）硬件上运行的变分量子电路（VQC）相结合。这类混合架构与NISQ硬件高度适配：经典处理器承担主要计算任务，而量子处理器则执行能提供额外非线性和表达力的特定子任务。该研究团队以液态硅的密度泛函理论（DFT）性质预测为案例，对比了纯经典E(3)等变消息传递机器学习势（MLP）与混合量子-经典MLP的性能。在混合架构中，消息传递层的每个读出操作均被VQC替代。基于HQC-MLP驱动的分子动力学模拟表明，采用VQC可精确复现高温结构和热力学性质。这些发现证实了NISQ兼容的HQC算法在特定场景下能超越现有最佳经典方案，为材料建模领域实现近期量子优势提供了可行路径。