量子科技中心_量科网

电子波函数的精确高效预测是分子动力学从头计算法（AIMD）和电子结构理论的核心问题。然而，传统从头计算方法需要在每个核构型下对电子态进行自洽优化，导致计算成本过高，尤其对大型或强关联体系而言更是如此。该研究团队提出了一种以量子为核心的机器学习（QCML）模型——一种融合参数化量子电路（PQCs）与基于Transformer机器学习的混合量子-经典框架，可直接预测分子波函数和量子可观测量。通过在多样化分子数据集和波函数拟设类型上预训练Transformer模型，并针对特定系统进行微调，该模型习得了分子描述符与PQC参数间的可迁移映射关系，从而消除了迭代变分优化的需求。预训练模型在势能面、原子力和偶极矩等方面对多种分子及拟设均达到化学精度，并实现了包含红外光谱预测的高效AIMD模拟。该工作建立了一个可扩展、可迁移的量子中心机器学习范式，为新一代分子模拟和量子化学应用架起了变分量子算法与现代深度学习之间的桥梁。