Jul, 2018

使用深度神经网络求解多电子薛定谔方程

PDF
TL;DR研究新型基于深度神经网络的试波函数以解决多电子 Schrödinger 方程；通过变分蒙特卡洛法获得最优试波函数，能够准确地表示测试系统的基态，打开了解决大规模多电子 Schrödinger 方程的新可能性。
deep neural networksmany-electron schrödinger equationvariational monte carlotrial wave-functionsground-states
发现论文，激发创造
  • 电子薛定谔方程的深度神经网络解

    研究人员提出了一种基于深度学习的波函数模型 ——PauliNet，它使用变分量子蒙特卡洛（VMC）进行训练，并且在原子、二元分子和氢链等电子结构计算方面优于现有技术，是中型分子系统高精确度电子结构计算新的领先方法。

    Sep, 2019

  • 采用深度神经网络求解多电子薛定谔方程

    本文提出了新颖的深度学习架构 —— 费米神经网络作为用于处理许多电子系统的有效波函数仿真，该方法可以在各种原子和小分子上获得比其他变分量子蒙特卡罗 Ansätze 更高的精度，优于其他从头开始的量子化学方法，可以直接优化之前难以处理的许多电子系统的波函数。

    Sep, 2019

  • 使用共享权重深度神经网络求解多核几何下的电子薛定谔方程

    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。

    May, 2021

  • 利用人工神经网络解决量子多体问题

    通过机器学习的波函数系统性降低了量子物理中多体问题的复杂度，通过基于人工神经网络的变化神经元的量子状态的变分表示和强化学习方案，能够准确地描述复杂相互作用量子系统的时间演变和平衡和动态特性，为解决量子多体问题提供了新的强有力的工具。

    Jun, 2016

  • 深度学习与薛定谔方程

    使用深度卷积神经网络预测四类二维电势约束下电子的能量，实验结果表明，模型在预测基态能量上可以达到化学精度水平，并探究了模型在预测其他物理量（如动能、第一激发态能量）表现的情况。

    Feb, 2017

  • 使用深度学习解决薛定谔方程的黄金标准解：需要多少物理学知识？

    本文介绍了一种使用深度学习和蒙特卡洛方法结合的新型架构，能够以更低的计算成本（为以前方法的 6 倍）获得更高的精度（错误能量降低了 40-70%），并且为许多不同的原子和分子计算了迄今为止发表的最精确的变分基态能量。作者还系统地剖析了提高物理先验知识对其改善的影响，发现增加先验知识并不总是能提高精度。

    May, 2022

  • 神经 Pfaffians: 解决非常多电子的 Schrödinger 方程

    本研究提出了一种通过学习普适的波函数以很高的精度逼近多电子体系基态的方法，并通过采用 Pfaffians 而非 Slater determinants，成功解决了在任意电子系统环境下强制实现反对称性的挑战，从而在多个系统中以化学精度计算基态和电离能，并且比以前的泛化神经波函数减小了能量误差。

    May, 2024

  • 机器学习与量子化学的统一 - 分子波函数的深度神经网络

    本文提出了一种基于深度学习的量子力学波函数预测框架，以实现分子结构的反向设计，用于优化目标电子性质，表明这种方法打开了机器学习和量子化学更协同的前景。

    Jun, 2019

  • 通过将基组神经网络与神经波函数配对生成从头算电势能面

    使用图神经网络结合神经波函数，同时使用 VM-C 方法解决多种几何结构下的薛定谔方程，极大地减少了计算资源的需求，速度提高了 40 倍以上，并达到或超过现有网络的精度水平，为量子机械计算提供了具有一定准确性且成本更低的开路。

    Oct, 2021

  • 带有离子电荷初始化的开源费米子神经网络

    在本文中，我们旨在将一种称为 FermiNet 的后 - HF 深度神经网络模型集成到一个标准且广泛使用的开源库 DeepChem 中，并提出了新的初始化技术来克服离子上赋予过多或过少电子的困难。

    Jan, 2024