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

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

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

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

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

使用物理知识，提出了基于物理指导的专家混合体（PG-MoE）模型，通过将复杂的高维本征向量预测任务分解为若干简单子任务，提高了计算效率，应用于量子力学中的薛定谔方程求解，相较于传统深度学习方法具有更好的可推广性和更小的网络规模。

Feb, 2022

利用深度学习的变分蒙特卡罗方法（DL-VMC）预训练模型，结合改进的几何嵌入架构和 SE (3)- 等变模型来表示分子轨道，在大量化学多样性分子集上进行自我监督波函数优化，在没有任何优化的情况下，获得胜过 CCSD (T)-2Z 等传统方法的波函数和绝对能量，并通过少量微调步骤获得精确的相对能量，提高了零编辑准确性。

Jul, 2023

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

介绍了一种将机器学习纠正与计算便宜且近似的遗留量子方法相加的组合策略，从而实现了对化学热力学性质的高度准确预测，实现了化学精度和低计算成本的平衡。

Mar, 2015

本文介绍了一种基于深度学习的方法，用于时间演化的薛定谔方程的数值模拟，并赋予了随机力学和生成扩散模型的思想。使用我们的方法，可以根据扩散过程来适应波函数的潜在低维结构，具有更低的计算复杂性，也提出了用于随机量子力学的新方程，并进行了数值模拟验证。

May, 2023