دانشگاه خوارزمی نشریه پژوهش های نوین فیزیک 2588-4921 11 1 2026 08 23 An Interpretable Machine Learning Framework for Predicting the Electrochemical Properties of Carbon-Based Electrode Materials in Lithium-Ion Batteries چارچوب یادگیری ماشین تفسیرپذیر جهت پیش‌بینی خواص الکتروشیمیایی مواد الکترودی بر پایه کربن در باتری‌های لیتیوم-یون 1 12 11774 10.22034/jmrph.2026.137621.1000 FA فردین تقی زاده گروه فیزیک، دانشکده علوم پایه، دانشگاه یاسوج، یاسوج، ایران 0000-0002-2506-1921 الهام زارع گروه فیزیک، دانشکده علوم پایه، دانشگاه یاسوج، یاسوج، ایران 0009-0004-5685-8783 Journal Article 2026 07 29 In this study, machine learning methods based on quantum chemical descriptors derived from Density Functional Theory (DFT) calculations were employed to predict the redox potentials of redox-active organic molecules. Electronic descriptors extracted from DFT calculations served as inputs for various machine learning models, whose performances were evaluated using R2, MAE, and RMSE metrics. The results demonstrated that the SVR model achieved the highest predictive accuracy, with a coefficient of determination (R2) of 0.974 and the lowest error rate, while the Stacking model exhibited closely comparable and stable performance. Correlation analysis, feature importance, and SHAP values revealed that electron transfer-related descriptors, particularly electron affinity, play the most significant role in predicting redox potentials. The consistency between ML results and quantum chemical concepts indicates that the proposed framework achieves high predictive accuracy alongside robust interpretability. This study highlights that the integration of DFT calculations and machine learning can provide an efficient approach for the rapid screening and targeted design of redox-active organic molecules with optimized electrochemical properties. در این پژوهش، از روش‌های یادگیری ماشین مبتنی بر توصیف‌گرهای شیمی کوانتومی حاصل از محاسبات نظریه تابعی چگالی برای پیش‌بینی پتانسیل ردوکس مولکول‌های آلی فعال ردوکس استفاده شد. توصیف‌گرهای الکترونی استخراج‌شده از محاسبات نظریه تابعی چگالی به‌عنوان ورودی مدل‌های مختلف یادگیری ماشین به کار گرفته شدند و عملکرد آن‌ها با استفاده از شاخص‌های R2، MAE و RMSE مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل SVR با دستیابی به ضریب تعیین 0.974 و کمترین میزان خطا، بالاترین دقت پیش‌بینی را ارائه می‌دهد، در حالی که مدل Stacking نیز عملکردی بسیار نزدیک و پایدار از خود نشان داد. تحلیل هم‌بستگی، اهمیت ویژگی‌ها و مقادیر SHAPنشان داد که توصیف‌گرهای مرتبط با انتقال الکترون، به‌ویژه الکترون‌خواهی، بیشترین نقش را در پیش‌بینی پتانسیل ردوکس ایفا می‌کنند. هم‌خوانی نتایج یادگیری ماشین با مفاهیم شیمی کوانتومی بیانگر آن است که چارچوب پیشنهادی، ضمن دستیابی به دقت پیش‌بینی بالا، از قابلیت تفسیر مناسبی نیز برخوردار است. این مطالعه نشان می‌دهد که تلفیق محاسبات و یادگیری ماشین می‌تواند رویکردی کارآمد برای غربالگری سریع و طراحی هدفمند مولکول‌های آلی فعال ردوکس با خواص الکتروشیمیایی مطلوب فراهم آورد. https://jmrph.khu.ac.ir/article_11774_73a32464b3cb3ac9b59c7eb5b4356730.pdf

دانشگاه خوارزمی نشریه پژوهش های نوین فیزیک 2588-4921 11 1 2026 08 23 Simulation of Effective Dirac Dynamic via Quantum Walks on Digital Quantum Computers شبیه‌سازی دینامیک موثر دیراک با استفاده از راه‌پیمایی‌های کوانتومی بر بستر کامپیوترهای کوانتومی دیجیتال 13 23 11874 10.22034/jmrph.2026.122919.0 FA زینب کیامهر گروه آموزشی فیزیک، دانشکده علوم پایه، دانشگاه تفرش، تفرش، ایران 0000-0002-1649-0564 Journal Article 2026 02 09 Quantum field theory (QFT) forms the fundamental basis of many areas in physics and is indispensable for our understanding of the universe. This research shows that simulating QFT using digital quantum computers is not merely a numerical computation, but rather a foundational problem in physical modeling that simultaneously depends on the theoretical structure of QFT, the choice of quantum algorithm, the definition of fidelity metrics, and the limitations of existing hardware. Since the equations of quantum field theories are generally complex and analytically intractable, employing quantum walks as a computational framework provides an alternative approach that enables the exploration of these theories in regimes inaccessible to classical methods. Within this framework, digital quantum walks serve as a natural algorithmic implementation for simulating the dynamics of quantum fields, as their discrete structure aligns well with the intrinsic architecture of NISQ-era quantum processors and, in the continuum limit, converges toward fundamental equations such as the Dirac equation. However, simulations and implementations on IBM’s superconducting quantum hardware reveal a high sensitivity to noise: even within non-interacting models, noise effects can fundamentally distort the interference patterns of the probability distributions. Consequently, defining a precise quantitative metric to assess simulation validity becomes crucial. The adoption of Hellinger fidelity as the central measure enables a systematic comparison between the probability distributions obtained from ideal simulations, noisy models, and experimental data, clearly indicating the extent to which the simulated dynamics can be interpreted as a valid representation of QFT. نظریه میدان کوانتومی چارچوب بنیادی توصیف ذرات و میدان‌ها در فیزیک مدرن است، اما حل دقیق بسیاری از مدل‌های آن، به‌ویژه در رژیم‌های غیراغتشاشی، با روش‌های تحلیلی و عددی کلاسیک با دشواری‌های جدی روبه‌رو است. یکی از مسیرهای پیشنهادی برای مطالعه چنین سامانه‌هایی استفاده از شبیه‌سازی کوانتومی است که در آن دینامیک یک مدل فیزیکی با بهره‌گیری از سامانه‌های کوانتومی قابل‌کنترل بازنمایی می‌شود. در این کار، امکان مدل‌سازی یک چارچوب گسسته‌ای برای توصیف دینامیک نسبیتی با استفاده از راه‌پیمایی کوانتومی گسسته‌زمان و پیاده‌سازی آن بر بستر کامپیوترهای کوانتومی دیجیتال مورد بررسی قرار می‌گیرد. در این چارچوب، تحول زمانی سامانه با استفاده از عملگرهای یکانی تعریف می‌شود و نشان داده می‌شود که در حد پیوسته و با مقیاس‌بندی مناسب در فضا و زمان، این مدل گسسته می‌تواند دینامیک مؤثری متناظر با معادله دیراک برای یک ذره آزاد در فضای 1+1 بعدی را بازتولید کند. سپس این مدل در قالب مدارهای کوانتومی روی یک سامانه‌ی پنج‌کیوبیتی که گرافی با ۱۶ گره را نمایش می‌دهد پیاده‌سازی می‌شود تا رفتار دینامیک و الگوی تداخلی توزیع احتمال حاصل از راه‌پیمایی کوانتومی در شرایط ایده‌آل و در حضور نویز بررسی شود. https://jmrph.khu.ac.ir/article_11874_786ab8c4d7ee758f80d57e65582e609d.pdf

دانشگاه خوارزمی نشریه پژوهش های نوین فیزیک 2588-4921 11 1 2026 08 23 Improving the quality of images with focus distortion using convolutional neural networks بهبود کیفیت تصاویر دارای اعوجاج فوکوس با استفاده از شبکه‌های عصبی کانولوشنی 24 31 11876 10.22034/jmrph.2026.122923.0 FA فاطمه فلاحی دانشگاه علم و صنعت ایران زهرا فلاحی دانشگاه علم و صنعت ایران محمدرضا جعفرفرد دانشگاه علم و صنعت ایران بابک زارع دانشگاه علم و صنعت ایران Journal Article 2026 02 24 Defocus distortion is one of the primary factors that degrades the quality of microscopic images, leading to reduced sharpness, loss of fine details, and decreased accuracy in image analysis. Therefore, the development of effective methods for defocus correction is of considerable importance in digital microscopy. In this study, a convolutional autoencoder neural network, consisting of convolutional layers, a compressed bottleneck, and transposed convolutional layers, was designed and trained to correct defocus distortion in digital microscopic images. To this end, a dataset comprising reference images and corresponding defocused images generated using the Fresnel diffraction model was constructed and employed for training and evaluation. The performance of the proposed model was assessed using the Mean Squared Error (MSE), Peak Signal-to-Noise Ratio (PSNR), and Structural Similarity Index (SSIM). The proposed model achieved an MSE of 0.0008, a PSNR of 30.97 dB, and an SSIM of 0.9839, indicating accurate image reconstruction and excellent structural similarity between the restored and reference images. These results demonstrate that the proposed approach provides an effective solution for defocus correction, improving the quality and sharpness of digital microscopic images. اعوجاج فوکوس یکی از عوامل اصلی کاهش کیفیت تصاویر میکروسکوپی است و می‌تواند موجب کاهش وضوح، از دست رفتن جزئیات و افت دقت در تحلیل تصاویر شود. ازاین‌رو، توسعه روش‌های مؤثر برای اصلاح این اعوجاج از اهمیت بالایی برخوردار است. در این پژوهش، یک شبکه عصبی رمزگذار خودکار کانولوشنی متشکل از لایه‌های کانولوشن، گلوگاه فشرده و لایه‌های کانولوشن انتقالی برای اصلاح اعوجاج فوکوس در تصاویر میکروسکوپی دیجیتال طراحی و آموزش داده شد. بدین منظور، یک مجموعه داده شامل تصاویر مرجع و تصاویر دارای اعوجاج فوکوس مبتنی بر مدل پراش فرنل تهیه و برای آموزش و ارزیابی شبکه مورد استفاده قرار گرفت. عملکرد مدل با استفاده از معیارهای میانگین مربع خطا (MSE)، نسبت سیگنال به نویز پیک (PSNR) و شاخص تشابه ساختاری (SSIM) ارزیابی شد. نتایج به‌دست‌آمده شامل MSE برابر با 0/0008، PSNR برابر با 30/97 دسی‌بل و SSIM برابر با 0/9839 است که بیانگر بازسازی دقیق و شباهت ساختاری بسیار بالای تصاویر بازسازی‌شده نسبت به تصاویر مرجع است. این نتایج نشان می‌دهد که مدل پیشنهادی می‌تواند به‌عنوان رویکردی مؤثر برای حذف اعوجاج فوکوس، بهبود وضوح تصاویر میکروسکوپی و ارتقای کیفیت بازسازی تصاویر مورد استفاده قرار گیرد. https://jmrph.khu.ac.ir/article_11876_a8e5a72192378802318bf51063153729.pdf