采用深度神经网络求解多电子薛定谔方程

Sep, 2019

采用深度神经网络求解多电子薛定谔方程

Ab-Initio Solution of the Many-Electron Schrödinger Equation with Deep Neural Networks

David Pfau, James S. Spencer, Alexander G. de G. Matthews, W. M. C. Foulkes

TL;DR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。

Abstract

Given access to accurate solutions of the many-electron Schr\"odinger equation, nearly all chemistry could be derived from first principles. Exact wavefunctions of interesting chemical systems are out of reach because they are NP-hard to compute in general, but approximations can be found using polynomially-scaling algorithms. The key challenge for many of t

wavefunction approximation ansatz fermionic neural network variational quantum monte carlo ab-initio quantum chemistry

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

使用深度神经网络求解多电子薛定谔方程

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。

Jul, 2018

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

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

基于费米子神经网络的从头算电子结构态

本文介绍了一种将神经网络量子态扩展到相互作用费米子问题建模的方法，并使用该方法在多个二原子分子上进行电子结构计算，并将其与耦合簇方法和波函数的许多体变分态进行了基准测试，最终达到化学精确度或更好的水平。

Sep, 2019

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

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

含有效芯势的费米神经网络

本论文使用深度学习技术结合有效芯势方法，开发出一个基于神经网络的模型 FermiNet-ECPP，对 3D 过渡金属原子和其氧化物进行基态能量计算，展示了深度学习在分子和材料的电子结构计算方面的广泛应用前景。

Aug, 2021

更好、更快的费米子神经网络

本研究提出了多项改进，包括增加神经网络规模、在 JAX 中实现 FermiNet 并简化部分网络等方式，将 FermiNet 在大型系统上的训练所需 GPU 时间减少一个数量级，从而成功应用于多电子系统中，在氩等大型原子上实现化学精度，比较自由基的自发异构反应和转化反应，取得了接近最新技术水平的结果。

Nov, 2020

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