[发明专利]基于量子全连接神经网络算法预测反应势垒能的方法

说明书

本发明提供了一种基于量子全连接神经网络算法预测反应势垒能的方法，属于量子计算技术领域。因为该方法将电子密度描述符转化为电子密度输入向量，并将该电子密度输入向量输入至构建好的量子全连接神经网络中从而进行反应势垒能预测。因为该量子全连接神经网络包括量子编码线路和变分量子线路，量子编码线路通过振幅编码的方式将电子密度输入向量转化为电子密度量子态，变分量子线路通过纠缠模块和参数化旋转模块进行量子纠缠和量子旋转，并测量得到反应势垒能对应的概率值，所以，该方法简化了量子化学计算方法的计算过程，不需要消耗大量的时间和资源，可以满足大规模筛选合适的催化剂的需要。

技术领域

本发明涉及量子计算技术领域，具体涉及一种基于量子全连接神经网络算法预测反应势垒能的方法。

背景技术

一个通常的化学反应过程并不是直接从反应物直接生成产物，中间需要将反应物通过加热等方式将反应物激发到一个能量较高的状态，即反应过渡态。反应势垒定义为过渡态与反应物的能量之差，是我们理解化学反应性和催化作用的关键。

反应势垒是一个评价催化剂性能的关键指标，一个优秀的催化剂可以大大降低反应势垒，从而加速化学反应的速率。获得一个反应在某一个催化剂上的反应势垒可以通过实验或者量子化学计算的方法，然而，实验方法和量子化学计算方法在处理过程中非常繁杂，需要消耗大量的时间和资源，不能满足大规模筛选合适的催化剂的需要。

反应物状态下量子力学电荷密度的拓扑描述符构成了一个既严格又连续的集合，被证明可以有效地用于高精度的反应势垒能预测，在Diels-Alder反应中已经证明了这一点。随着计算能力的提升和信息技术的发展，许多优秀的有关反应势垒的数据库被发展出来，为使用量子机器学习来加速发现新的优秀的催化剂奠定了基础。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种基于量子全连接神经网络算法预测反应势垒能的方法。

本发明提供了一种基于量子全连接神经网络算法预测反应势垒能的方法，具有这样的特征，包括：获取反应物态的电子密度输入向量；将电子密度输入向量输入构建好的量子全连接神经网络中，经测量后，输出预测的反应势垒能。

在本发明提供的方法中，还可以具有这样的特征：其中，量子全连接神经网络的表达式如下：

z＝σ(VQC(x))

其中，VQC为量子全连接神经网络包括的变分量子线路，x为电子密度输入向量。

在本发明提供的方法中，还具有这样的特征：其中，变分量子线路包括预定数目的参数化旋转模块与纠缠模块，参数化旋转模块用于提供变分量子线路可学习的参数；纠缠模块用于提供纠缠的多比特量子态。

在本发明提供的方法中，还具有这样的特征：其中，参数为可优化的旋转角。

在本发明提供的方法中，还具有这样的特征：其中，参数化旋转模块包括泡利旋转x门、泡利旋转y门和/或泡利旋转z门。

在本发明提供的方法中，还具有这样的特征：其中，量子全连接神经网络还包括量子编码线路，量子编码线路用于将电子密度输入向量编码为电子密度量子态。

在本发明提供的方法中，还具有这样的特征：其中，量子编码线路采用量子振幅编码。

在本发明提供的方法中，还具有这样的特征：其中，量子编码线路包括泡利旋转y门和/或泡利旋转z门。

在本发明提供的方法中，还具有这样的特征：其中，测量包括：测量变分量子线路输出的反应势垒能对应的概率分布，输出预测的反应势垒能，并利用MSE损失函数进行计算。

在本发明提供的方法中，还具有这样的特征：其中，测量得到反应势垒能后，利用Adam优化器对变分量子线路中的可优化的旋转角进行梯度更新。

发明的作用与效果