基于量子神经网络模拟材料的方法、装置、设备

本技术涉及量子计算，特别地涉及基于量子神经网络模拟材料的方法、装置、计算设备及计算机可读存储介质。背景技术：1、在材料科学和化学领域，密度泛函理论（density functional theory, dft）是一种广泛应用的计算方法，其能够预测和解释材料的电子结构及其相关的物理和化学性质。密度泛函理论的核心是科恩-沙姆（kohn-sham）方程，该方程通过求解非相互作用粒子的轨道和能量来近似真实相互作用粒子的电子密度。科恩-沙姆方程表示形式如下：2、；3、其中，ψi (r) 为第 i 个kohn-sham轨道，veff (r) 为有效势，包括电子-核子吸引势、电子-电子库伦排斥势以及交换-相关势vxc (r)，εi是第 i 个kohn-sham轨道的轨道能量，2 是拉普拉斯算子，代表动能算子。4、交换-相关势是描述电子间相互作用的关键部分，交换-相关势依赖于电子密度，而电子密度又依赖于kohn-sham波函数。因此，其无法用简单的解析公式精确表示。当前，开发了多种近似方法，如局域密度近似（lda）、广义梯度近似（gga）和混合泛函等以计算vxc。这些近似方法虽然在许多情况下能够提供合理的计算结果，但在处理某些复杂的材料系统时，仍然存在一定的误差。5、为了提高计算精度，近年来，机器学习（ml）技术与dft相结合的方法开始受到关注。mlxc(machine learning exchange-correlation functional)方法使用机器学习模型来近似电子相互作用的能量，其基本思想是通过训练数据（通常是全电子dft计算的结果）来学习电子相互作用的规律，从而得到电子相互作用的近似表达式。这种方法在理论上具有很高的潜力，能够提高计算精度，并且有可能成为全电子dft的有效替代方案。6、然而，mlxc技术方案在实际应用中存在一些缺陷。首先，机器学习模型的训练时间通常较长，限制了其在实际研究中的应用速度。其次，针对每一种材料，都需要重新训练一次模型，导致计算效率低下，特别是在需要快速预测材料性质的情况下。此外，机器学习模型的训练需要大量的高质量数据，而这些数据的获取往往需要昂贵的计算资源。因此，目前亟需一种改进的mlxc技术方案，能够克服上述缺陷。技术实现思路1、针对现有技术中存在的技术问题，本技术提出了一种基于量子神经网络模拟材料的方法，所述方法运行在量子神经网络电路中，所述方法包括：初始化量子神经网络电路中的电路参数θ和hartree-fock 初始态∣∣ψ并构建材料的目标函数ψtarget；将经典数据x编码到量子态，所述经典数据x包括材料的初始电子结构信息；将量子态的数据x输入量子神经网络电路中并输出量子态ψqdnn(x,θ)；根据目标函数ψtarget和量子态ψqdnn(x,θ)构建损失函数，优化电路参数θ直至所述损失函数值小于设定阈值；根据优化后的量子神经网络电路计算材料的交换-相关势；根据材料的交换-相关势模拟材料的电子结构属性；其中，所述电子结构属性包括：能带结构、分子轨道、电子密度、偶极矩和电荷分布中的一者或多者。2、如上所述的方法，进一步包括：利用特征映射电路通过酉操作将经典数据x编码到量子态，得到量子态ψ(x)，所述ψ(x)表示为：，其中，ψ(x)为数据x的量子态，u(x,θ)为特征映射电路，∣n为初始量子态；将量子态ψ(x) 输入量子神经网络电路中并输出量子态ψqdnn(x,θ)，所述量子态ψqdnn(x,θ)表示为：，其中，ψqdnn(x,θ)为量子态，v(θ)是量子神经网络电路，ψ(x)为数据x的量子态。3、如上所述的方法，进一步包括：读取优化后的量子神经网络电路输出的量子比特状态并转换为输出值f(ψ(pi)) ，其中，pi为电子i的波函数，ψ(pi)为编码了电子波函数 pi的第 i个量子比特状态；根据量子神经网络电路全部输出值f(ψ(pi))之和计算材料的交换-相关势。4、如上所述的方法，通过以下算式，确定损失函数：5、；其中，l（θ）为损失函数，ψtarget为材料的目标函数，ψqdnn(x,θ)为量子态。6、如上所述的方法，进一步包括：执行计算梯度值步骤：计算所述损失函数关于电路参数θold在量子神经网络电路中的梯度值θl（θold），其中，θ为梯度运算符，l(θ old) 为参数θ old的损失函数值；执行更新参数值步骤：根据梯度值θl（θold）和学习率α将θold更新为θnew；重复执行计算梯度值步骤和更新参数值步骤，直至损失函数值小于设定阈值，将优化后的电路参数θ应用在量子神经网络电路中。7、如上所述的方法，进一步包括：将材料的电子结构属性发送至经典计算机；所述经典计算机根据电子结构属性预测材料的物理性质和热力学性质，所述物理性质包括能量间隙、催化活性，所述热力学性质包括稳定性和相变温度。8、如上所述的方法，进一步包括：经典计算机根据电子结构属性预测材料含量与能量间隙和/或催化活性的变化曲线；在材料含量与能量间隙和/或催化活性的变化曲线中获取催化活性评分和/或能量间隙适配度；根据获取催化活性评分和/或能量间隙适配度以及材料的成本比例确定材料的催化效能指数；其中，催化活性评分和/或能量间隙适配度以及成本比例分配不同的权重系数。9、如上所述的方法，通过以下算式，确定材料的催化效能指数：10、cei=α×a+β×b+γ×c；11、其中，a为催化活性评分，b为能量间隙适配度；c为成本比例，α、β和γ是权重系数，且α+β+γ=1。12、如上所述的方法，通过以下算式，确定能量间隙适配度：13、b=1-（fb -fa）/ fb；14、其中，b为能量间隙适配度，fa为实际能量间隙，fb为理想能量间隙。15、根据本技术的另一方面，提出一种基于量子神经网络模拟材料的装置，包括：初始化模块，用于初始化量子神经网络电路中的电路参数θ和hartree-fock 初始态∣∣ψ并构建材料的目标函数ψtarget；编码模块，用于将经典数据x编码到量子态，所述经典数据x包括材料的电子密度和分子轨道中的一者或多者；量子神经网络模块，用于根据量子态的数据x输出量子态ψqdnn(x,θ)；优化模块，用于根据目标函数ψtarget和量子态ψqdnn(x,θ)构建损失函数，优化电路参数θ直至所述损失函数值小于设定阈值；计算模块，用于根据优化后的量子神经网络电路计算材料的交换-相关势；模拟模块，用于根据材料的交换-相关势模拟材料的电子结构属性；其中，所述电子结构属性包括：能带结构、分子轨道、电子密度、偶极矩和电荷分布中的一者或多者。16、根据本技术的另一方面，提出一种计算设备，包括处理器和存储器，所述存储器存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的基于量子神经网络模拟材料的方法。17、根据本技术的另一方面，提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机指令，当所述计算机指令被处理器执行时实现如上所述的执行基于量子神经网络模拟材料结构的方法。18、相比于经典的神经网络模型，本技术利用量子神经网络电路处理复杂的量子态和非线性关系的特性，能够在无需对神经网络模型进行针对性训练的情况下显著加速数据处理和模型训练过程，从而提高了模拟材料电子结构的工作效率。此外，与传统的神经网络模型的计算结果相比，本技术模拟的材料电子结构结果具有更高的预测精度，这为新材料的设计和开发提供了强有力的工具。