← 最新论文
⚛️ 量子物理

Machine-learned active spaces enable quantum calculations of spin-state energetics of transition-metal complexes on quantum hardware

本文介绍了 SpinAware,这是一种通过从不受限哈特里-福克解中预测轨道纠缠度量,从而自动识别紧凑活性空间,进而实现在无需预先进行相关计算的情况下,对过渡金属配合物的自旋态能量进行精确量子硬件计算的机器学习模型。

原作者: Muhammad Arsalan Ali Akbar, Thomas D. Kühne, Sabre Kais, Werner Dobrautz

发布于 2026-11-17
📖 1 分钟阅读🧠 深度阅读

原作者: Muhammad Arsalan Ali Akbar, Thomas D. Kühne, Sabre Kais, Werner Dobrautz

原始论文根据 CC0 1.0(http://creativecommons.org/publicdomain/zero/1.0/)发布到公有领域。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明

过渡金属是现代化学的中流砥柱,驱动着从维持细胞生命的酶到将石油转化为塑料的工业催化剂等一切事物。它们的化学行为受一种微妙的量子现象支配:即其电子在空间中排列的方式。与电子位于整齐、可预测层中的简单原子不同,过渡金属中的电子通常共享相同的能量层级,从而创造出一个错综复杂的可能性网络。这种“静态相关性”意味着,为了理解这些分子的反应方式,科学家不能只观察一种电子排列方式,而必须同时考虑大量的排列方式。问题在于,计算所有这些可能性极其昂贵。这需要选择一组特定的电子路径,称为“活性空间”,来进行重点研究。如果选择错误,计算就会失败;如果规模过大,即使是世界上最强大的超级计算机也无法解决。这一瓶颈长期以来阻碍了研究人员准确预测不同自旋态(分子的磁取向)之间的能量差异,而这对于理解这些催化剂的工作原理至关重要。

一支研究团队现在开发出了一种利用人工智能绕过这一瓶颈的新方法。他们创建了一个名为 SpinAware 的机器学习模型,该模型可以预测哪些电子路径是重要的,而无需进行此前所需的昂贵计算。该模型不再需要通过超级计算机来理清错综复杂的电子网络,而是观察分子电子的一种更简单的标准计算,并根据从数千个示例中学习到的模式,精确预测哪些路径需要被纳入复杂的计算中。该模型是在一个大规模的过渡金属配合物数据集上训练的,通过学习从基础数据(如电子能量以及电子如何在金属与其周围原子之间共享)中识别电子纠缠的细微特征。

研究人员在了一组具有挑战性的分子上测试了这一新工具,这些分子与用于训练模型的分子完全不同。其中包括模型从未见过的含有钛和钒等金属及配体的配合物,以及不寻常的化学键。尽管缺乏先前的接触,该模型仍成功识别出了正确的电子路径。它能够将四十个潜在的电子路径缩小到一个更小、更易处理的约十五个路径的组中,同时确保不会意外遗漏任何实现准确答案所需的关键路径。事实上,该模型所选出的路径包含了最严谨、最耗时的方法所能找到的正确路径的百分之九十九。

为了证明这种方法在现实世界中有效,团队将他们预测的电子路径应用于实际的量子计算机。他们使用了一种称为基于样本的量子对角化方法,该方法旨在处理当前量子硬件中固有的噪声和误差。通过将来自 IBM 量子处理器的样本输入到他们的计算中,他们能够重现自旋态之间的精确能量差异,误差范围小于每摩尔十分之一千卡。这种精确度在化学上具有显著意义,并证明了该机器学习模型能够成功为量子计算机准备好问题。这一过程有效地搭建了经典计算(擅长简单任务)与量子计算(处理最难问题所需)之间的桥梁,通过使用人工智能来决定向量子机器提出什么问题。

SpinAware 的成功表明,这些计算的难度不仅在于原始计算能力的问题,更在于知道该去哪里寻找。该模型学到了电子路径的重要性取决于它与其他路径的关系,就像和弦中的单个音符只有在其他音符的语境下才有意义一样。通过从简单数据中捕捉这些关系,该模型避免了传统上减缓研究进程的昂贵初步计算。虽然该模型存在局限性——它有时在处理极强或极弱(信号微弱)的磁相互作用时会遇到困难——但它代表了一个重大的进步。它使科学家能够以以前无法企及的精度来处理复杂的过渡金属化学,为设计更好的催化剂以及理解依赖于这些复杂金属中心的生物过程打开了大门。这项工作表明,通过将机器学习与量子硬件相结合,研究人员现在可以解决曾经被认为对任何单一技术而言都过于困难的问题。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →