量子和机器学习驱动的发现

为了确定最佳的二乙烯衍生物，研究小组首先生成分子结构，并对384个二乙烯衍生物进行量子化学计算，以预测它们的性质。利用这些结果，他们训练了一个机器学习模型来预测一组4096个导数的性质。

然后使用量子计算机来优化这些预测，根据用于描述该系统的数学模型伊辛哈密顿量确定具有最大吸光度波长的分子。最后，在经典计算机上进行量子化学计算，验证了顶级候选物质的性质，确保它们符合进一步发展的预期标准。

量子优化与验证

在量子优化过程中，使用12量子比特的量子计算来有效地模拟伊辛模型（Ising model）的基态、最低能态和四个激发态。这一步有助于识别具有最大和第二至第四大吸收波长的二芳基乙烯衍生物。随后，利用量子化学计算来分析分子轨道对吸光度的贡献。这一步骤指导了新的二芳基乙烯衍生物的设计，这些衍生物不仅具有大的吸收波长，而且具有高的振子强度。

当在量子模拟器上进行测试时，新方法与精确特征求解器的结果显示出强烈的一致性，精确特征求解器是一种计算哈密顿系统（在这种情况下是伊辛哈密顿系统）能级的计算工具。值得注意的是，即使在真实的量子设备上，由于先进的误差抑制和缓解技术，该方法产生的结果与模拟器的结果精度相当。

最近，量子化学计算与机器学习的结合在加速新材料的发现方面显示出了巨大的潜力。虽然与传统方法相比，这种混合方法消耗的资源和时间更少，但它仍然面临着根本性的挑战。其中包括训练数据集的大小和质量的限制，以及使用离散优化技术有效探索大型化学空间的困难。新的量子经典方法已经证明了自己能够解决这些挑战，并为未来发现其他类型的有用材料提供了一种可能的方法。