烧结钕铁硼（NdFeB）磁体是电动汽车、风力涡轮机等尖端科技的核心组件。近日，计算机网络信息中心与中国科学院赣江创新研究院合作，构建了首个包含近2000个样本的“工业-学术”双域数据库，并利用高性能计算辅助的机器学习（HPC-assisted ML/QML），如经典机器学习模型RF（Random Forest）, XGBoost(eXtremeGradient Boosting), SVR(Support Vector Regression, 支持向量回归）和量子机器学习模型如量子增强的向量回归QSVR，在虚拟实验环境中系统研究了数据选择策略的有效性。

研究团队定量揭示了工业界注重“成本与稳定”与学术界追求“性能极限”的根本性设计差异，提供了适用于“成分-工艺-性能”关系的智能化生产工艺的持续迭代方法框架，也提供了将量子核方法（QSVR）集成到数据高效工作流中的方法论蓝图。

相关研究成果已被npj Computational Materials （中国科学院1区，IF=11.9）录用并发表。第一作者是中心高性能计算部的何连花博士，通讯作者为赣江院的徐海波副研究员和中心高性能计算部的马英晋副研究员。该研究工作得到了国家重点研发计划、国家自然科学基金、中国科学院战略性先导科技专项及中国科学院青年创新促进会的支持。

基于主动学习和多个模型核心的数据筛选与磁体性能预测框架

文章链接：

https://www.nature.com/articles/s41524-025-01914-w

Lianhua He, Qichao Liang, Kaifan Pan, Tianyan Li, Qiang Ma, Xin Wang, Haibo Xu* & Yingjin Ma*, A framework of active data selection and quantum-enhanced regression for predicting magnetic properties of sintered NdFeB magnets. npj Comput Mater (2025). 

责任编辑：郎杨琴