Quantum Active Learning for Structural Determination of Doped Nanoparticles - A Case Study of 4Al@Si11
Notice bibliographique
Résumé
Active learning (AL) has been widely applied in chemistry and materials science. In this work, we propose a quantum active learning (QAL) method for automatic structural determination of doped nanoparticles, where quantum machine learning (QML) models for regression are used iteratively to indicate new structures to be calculated by Density Functional Theory (DFT) or Density Functional Based Tight Binding (DFTB) and this new data acquisition is used to retrain the QML models. The QAL method is implemented in the Quantum Machine Learning Software/ Agent for Material Design and Discovery (QMLMaterial), whose aim is using an artificial agent (defined by QML regression algorithms) that chooses the next doped configuration to be calculated that has a higher probability of finding the optimum structure. The QAL uses a quantum Gaussian process with a fidelity quantum kernel as well as the projected quantum kernel and different quantum circuits. For comparison, classical AL was used with classical Gaussian process with different classical kernels. The presented QAL method was applied in the structural determination of doped Si11 with 4 Al (4Al@Si11) and the results indicate the QAL method is able to find the optimum 4Al@Si11 structure. The aim of this work is to present the QAL method, formulated in a noise-free quantum computing framework, for automatic structural determination of doped nanoparticles and materials defects.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».