We introduce a new family of trial wave-functions based on deep neural
networks to solve the many-electron Schr\"odinger equation. The Pauli exclusion
principle is dealt with explicitly to ensure that the trial wave-fun
本文介绍了一种通过引入神经网络和 Monte Carlo 方法相结合,结合深度迁移学习的方法来解决当前高精度计算方法在计算与电子相互作用的粒子数量较大时的计算成本大,探索引入权重共享约束的优化过程,使神经网络模型的 95% 的权重可以在变化的分子几何图案之间使用,从而加速优化。实现这一技术可以加速相同分子的核几何集的优化一倍,开辟了一条有希望的路线,可以产生预先训练的神经网络波函数,即使在不同的分子上也可以产生高精度。