Nov, 2020

更好、更快的费米子神经网络

PDF
TL;DR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。
fermionic neural networkwavefunction ansatzjaxchemical accuracygpu hours
发现论文，激发创造
  • 超流体的神经波函数

    使用 FermiNet 神经网络框架在变分蒙特卡洛算法中研究强相互作用、超流体状态的费米气体。我们发现原 FermiNet 架构存在限制，提出了简单的修改方案以提高精度，并证明了新架构相对于原架构的优势。该方法可以推广到其他超流体系统的研究。

    May, 2023

  • 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

  • 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

  • $O (N^2)$ 费米子神经网络中的全局反对称性

    本文提出了一种基于 Fermionic 神经网络和排列等变结构的方法用于解决多电子 Schrödinger 方程，使用分块反对称构建代替 Slater 行列式以减小计算成本。该方法通过连续逼近器实现波函数的基态表示。

    May, 2022

  • 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

  • 高效优化和可解释的量子神经网络

    我们提出一种基于费米模型的量子神经网络，其物理特性作为输出，并建立了与反向传播相媲美的高效优化，在具有挑战性的经典机器学习基准上具有竞争力的准确度，并且在量子系统上实现高精度且不需要预处理的机器学习，此外研究结果可用于量子纠缠分析和可解释的机器学习。

    Nov, 2022

  • 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

  • 变分蒙特卡洛模拟的显式反对称神经网络层

    本文提出了一种显式反对称通用神经网络层来替代高精度费米核（FermiNet）的整个反对称层，即 FermiNet-GA 结构，同时研究了差不多完全推导出基态能，即 full single-determinant FermiNet 模式以及另一个 FA 层，但发现这两者并没有超过 FermiNet 模式，说明反对称性的总和乘积是限制 FermiNet 的关键因素之一。

    Dec, 2021

  • 使用扩散蒙特卡罗模拟最先进的费米神经网络波函数

    本文介绍了一种基于神经网络的 fermionic 系统的地面状态模型，使用 Diffusion Monte Carlo 改进了模型的结果，并针对模型进行了多个修改，使其在占用更少资源的同时保持或提高建模性能。 Diffusion Monte Carlo 的结果超过或与所有研究的系统的最先进性能相匹配。

    Mar, 2021

  • ForceNet：用于大规模量子计算的图神经网络

    本文介绍了一种不强制施加物理约束、而是通过物理数据增强训练的方法，设计出了一个高效且表现性能优异的图神经网络模型 ForceNet，通过在大规模数据集上的测试证实其能够更精确地预测原子力，并开辟了一条新的研究道路。

    Mar, 2021