利用机器学习和量子计算更好更快地设计有机发光材料
在过去的十年中，有机发光材料已被学术界和工业界认可为轻型、柔性和多功能光电设备(如 OLED 显示器)的有前途的组件。然而，找到合适的高效材料是一个挑战。
为了应对这一挑战，一个联合研究团队开发了一种新颖的方法，将机器学习模型与量子经典计算分子设计相结合，以加速高效 OLED 发射器的发现。这项研究于 5 月 17 日发表在《智能计算》(Science Partner Journal)上。
作者使用这种“混合量子经典程序”发现的最佳 OLED 发射器是 Alq₃ 的氘代衍生物，发光效率极高且可合成。
氘代OLED发射体是发射体分子中氢原子被氘原子取代的有机材料。尽管它们具有非常高效地发光的潜力，但设计此类氘代 OLED 发射器却带来了计算挑战。这一挑战源于需要优化发射体分子中氘原子的位置，这需要从头开始进行计算。
新的工作流程涉及经典计算机和量子计算机，可以加快这些计算的速度。首先，在经典计算机上进行量子化学计算，以获得一组氘代 Alq₃ 分子的“量子效率”。这些有关不同分子发光效率的数据用于创建训练和测试数据集，用于构建机器学习模型，以预测各种氘代 Alq₃ 分子的量子效率。
接下来，机器学习模型用于构建系统的能量函数，称为哈密顿量。然后，使用两种量子变分优化算法(变分量子本征解算器 (VQE) 和量子近似优化算法 (QAQA))在量子计算机上执行量子优化，以帮助机器学习发现具有最佳量子效率的分子。在量子优化过程中引入合成约束，以确保优化后的分子是可合成的。
为了提高量子设备预测的准确性，作者采用了一种称为递归概率变量消除(RPVE)的抗噪声技术，并设法“使用量子设备以非常高的精度找到最佳氘化分子”。此外，他们指出，将这种新的抗噪声技术与他们选择的两种量子优化算法相结合，可以在近期量子设备的计算中实现量子优势。
总的来说，作者预计他们的方法结合了量子化学、机器学习和量子优化，可以创造“生成和优化材料信息学关键分子的新机会”。
版权声明：本文由用户上传，如有侵权请联系删除！