1. 项目概述：量子机器学习赋能CO2捕获胺类溶剂设计

在应对气候变化的全球行动中，碳捕集与封存(CCS)技术扮演着关键角色。其中，胺类溶剂因其高效的CO2吸收能力，成为燃烧后捕集技术中最常用的化学吸收剂。然而，传统胺溶剂存在挥发性高、设备腐蚀性强、氧化降解等问题，导致解吸能耗居高不下。开发新型高效胺溶剂面临的核心挑战在于：溶剂物性（如碱性、粘度、沸点等）与CO2捕获性能之间的复杂非线性关系，使得通过实验试错法筛选优化耗时费力。

量子机器学习(QML)为解决这一难题提供了全新思路。与经典算法相比，QML通过量子叠加态、纠缠态和干涉效应，能够更高效地捕捉分子结构与性质间的复杂关联。本研究创新性地提出混合量子神经网络(HQNN)架构，将经典神经网络与变分量子回归器(VQR)有机结合，在保持模型鲁棒性的同时，实现了对胺类溶剂关键物性的精准预测。

2. 核心方法解析：混合量子神经网络架构设计

2.1 经典神经网络模块选型

2.1.1 分子指纹与多层感知机(MLP)

分子指纹是将分子结构转化为数值向量的关键步骤。本研究综合比较了11种指纹方法：

• 拓扑指纹 ：MACCS（166位密钥）、Avalon（1024位路径向量）
• 圆形指纹 ：ECFP6（半径6的扩展连接指纹）、FCFP4（半径4的功能类指纹）
• 特殊用途指纹 ：rDesc（环系统）、rPair（环对）、rTorsion（扭转角）

通过网格搜索确定最优组合为MACCS+Avalon指纹，输入到具有[1024-512-256]结构的MLP中。选择ReLU激活函数和Adam优化器，采用min-max归一化处理输出值。这种组合在保留关键分子特征的同时，避免了维度灾难。

2.1.2 图神经网络(GNN)变体比较

针对分子的图结构特性，我们评估了五种GNN架构：

1. DMPNN ：通过定向消息传递增强键级信息流动
2. EGC ：采用各向同性卷积，计算效率高
3. GAT ：引入注意力机制加权邻域交互
4. GCN ：经典图卷积网络，添加残差连接防过平滑
5. TCN ：基于Transformer的卷积结构，适合大尺度数据

节点特征包含原子类型（44维）、度数（6维）、价态（6维）等；边特征涵盖键类型（4维）、共轭性（2维）等。实验表明，对于粘度预测，DMPNN（隐藏层512，步长1）表现最优；而熔点预测则适合EGC（隐藏层1024，图头数8）。

2.2 量子模块实现细节

2.2.1 变分量子回归器(VQR)设计

VQR由编码器、ansatz和测量器三部分组成：

1. 编码过程 ：将经典特征x通过arctan(x)转换为旋转角θ，应用Ry门实现量子态制备

   def encoder(x):
       theta = np.arctan(x) + np.pi/2
       qml.RY(theta, wires=range(n_qubits))
   

2. Ansatz结构 ：采用线性纠缠模式，由d个模块组成，每个模块包含Ry旋转和CNOT门

   def ansatz(theta, depth):
       for d in range(depth):
           for i in range(n_qubits):
               qml.RY(theta[i], wires=i)
           for i in range(n_qubits-1):
               qml.CNOT(wires=[i, i+1])
   

3. 测量方案 ：计算所有量子位Pauli-Z算符的期望值之和作为预测输出

2.2.2 混合训练策略比较

研究对比了三种参数更新方式：

• 从头训练(HQSc) ：随机初始化全部参数
• 微调(HQFi) ：加载预训练经典模型，联合优化所有参数
• 冻结(HQFr) ：固定经典部分，仅训练量子层

在4-qubit和9-qubit两种配置下，发现9-qubit的HQFi模型在多数任务中表现最佳。量子比特数的增加允许使用更浅的电路深度，这在当前含噪声量子设备(NISQ)上尤为重要。

3. 关键实验结果与量子优势验证

3.1 物性预测性能对比

3.1.1 碱性(pKa)预测

作为影响CO2吸收的关键指标，pKa预测中HQFi/4Q模型取得最优结果：

• 测试集R²：0.9112（比经典MLP提升0.33%）
• MAE：0.3463（降低7.55%）

量子优势主要体现在对极端pKa值的预测上，传统模型对强碱性(pKa>10)胺类的预测误差普遍偏高，而HQNN通过量子纠缠态更好地捕捉了电子效应对碱性的影响。

3.1.2 粘度与蒸气压预测

粘度预测中，HQGNN-HQSc/9Q表现突出：

• R²提升0.41%
• MAE降低0.68%

而蒸气压预测中，所有HQNN模型均未超越经典MLP，分析表明蒸气压对分子间弱相互作用（如范德华力）敏感，当前量子编码方式对这些作用的表征能力有限。

3.2 噪声鲁棒性测试

通过模拟IBM七大量子处理器（如Fez、Marrakesh等）的噪声特性，评估了以下噪声源的影响：

1. 退极化噪声 ：单量子比特门误差率2.7×10⁻⁴（中值）
2. 振幅阻尼 ：T1时间~180μs
3. 相位阻尼 ：T2时间~135μs
4. 读出误差 ：平均1.8%

结果显示，在pKa预测任务中，HQFi/4Q在IBM-Fez噪声下的R²仍达0.9117，优于无噪声情况。这表明适度的噪声可能通过类似dropout的机制增强了模型泛化能力，但需要更多实验验证。

4. 技术挑战与优化方向

4.1 当前局限性与解决方案

1. 特征编码瓶颈 ：

   • 问题：现有Ry旋转编码可能丢失高阶分子特征
   • 改进：试验IQP编码等更复杂的量子特征映射

2. 训练效率低下 ：

   • 现状：9-qubit模型训练时间约为4-qubit的3倍
   • 优化：采用参数移位(parameter-shift)以外的梯度估计方法

3. 硬件限制 ：

   • 现实约束：真实设备最大可用量子比特数<20
   • 对策：开发量子卷积层，局部减少激活量子比特数

4.2 实际应用建议

对于不同预测任务，推荐采用差异化策略：

1. 优先使用HQNN的场景 ：

   • 小样本数据（n<5000）
   • 电子效应主导的性质（如pKa）
   • 具备量子计算专长的团队

2. 暂缓使用的情况 ：

   • 超大规模数据集（n>50,000）
   • 以分子形状为主导的性质（如扩散系数）
   • 需要实时预测的工业场景

5. 扩展应用与未来展望

本研究建立的HQNN框架可扩展至以下方向：

1. 溶剂筛选平台 ：集成量子-经典混合模型，建立胺库虚拟筛选系统
2. 反应机理研究 ：通过量子神经网络模拟CO2与胺的反应路径
3. 材料逆向设计 ：结合生成模型，自动设计符合目标物性的分子结构

随着错误缓解技术（如零噪声外推）和硬件升级（逻辑量子比特实现），预计未来3-5年内，量子机器学习在材料发现中的实用价值将显著提升。建议工业界提前布局量子-经典混合计算基础设施，培养交叉学科人才，为量子计算时代的材料研发做好准备。