量子退火辅助的晶格优化

高熵合金（HEAs）因其相比传统材料所具有的优异性能而引起了广泛关注。HEA 系统的构型被认为是其优越性能的关键，但穷举原子坐标和元素种类的所有可能构型以寻找基态能量极具挑战性。在这项工作中，我们提出了一种量子退火辅助晶格优化（QALO）算法，这是一个主动学习框架，集成了作为晶格能量预测代理模型的场感知因子分解机（FFM）、作为优化器的量子退火（QA）以及用于基准真值能量计算的机器学习势（MLP）。通过将我们的算法应用于 NbMoTaW 合金，我们重现了在块体 HEA 中观察到的 Nb 贫化和 W 富集现象。我们发现，与随机生成的合金构型相比，我们优化后的 HEA 具有更优越的力学性能。我们的算法突显了量子计算在材料设计与发现中的潜力，为进一步探索和优化“结构-性能”关系奠定了基础。