Искусственный нос будущего: как квантовая механика и машинное обучение распознают запахи
![Разработанная схема MORE-ML, объединяющая квантово-механические свойства молекулярных блоков с методами машинного обучения, позволяет предсказывать характеристики связывания, такие как [latex]E_{ads}[/latex], [latex]\Delta\phi[/latex] и [latex]\Delta Q[/latex], посредством регрессии и анализа объяснимости модели, при этом оптимизация гиперпараметров достигается через байесовскую оптимизацию с 100 итерациями и 10-кратной перекрестной проверкой, а предварительный отбор данных осуществляется с использованием обнаружения аномалий и метода farthest point sampling.](https://arxiv.org/html/2601.00503v1/FIG3_ML_workflow.png)
Новый подход объединяет расчеты квантовой механики и методы машинного обучения для создания более чувствительных и точных сенсоров, способных определять биомаркеры запаха тела.


![Поздние хвосты решений для компактных гауссовых начальных данных демонстрируют, что, хотя закон распада мощности согласуется с классической общей теорией относительности, амплитуда этих хвостов и переход от фазы, доминируемой квазинормальными модами, к фазе, доминируемой хвостами, оказываются чувствительными к параметру квантовой модификации α, а также к центру [latex]R\_0[/latex] и ширине [latex]w\_0[/latex] гауссова волнового пакета.](https://arxiv.org/html/2601.00164v1/Fig1_l4_nc.png)

![Исследование демонстрирует, что применение симметричной проекции к измерениям диагональных членов позволяет получить более точные оценки энергии связи ядра трития [latex] ^3H [/latex] (в мегаэлектронвольтах), согласующиеся с результатами точных расчетов NCSM, в то время как учет шума, характеризуемого параметром [latex] aa [/latex], приводит к увеличению вклада нежелательных частиц и снижению энтропии запутанности кубитов.](https://arxiv.org/html/2601.00315v1/x2.png)


