ICMLMay, 2022

$O (N^2)$ 费米子神经网络中的全局反对称性

PDF
TL;DR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。
fermionic neural networkvariational monte carloslater determinantantisymmetrycomputational cost
发现论文，激发创造
  • 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

  • 关于用符号等变神经网络表示电子波函数

    最近的神经网络展现出对电子基态波函数的精确逼近。在本研究中，我们探索了一种反转的方法，首先根据电子坐标计算反对称量，然后应用对称性等变的神经网络以保持反对称性。我们的实证结果表明，这种方法将简化为一个 Jastrow 因子，它是波函数中常用的置换不变的乘法因子。在本研究的评估中，我们得出了对于用于表示电子波函数的符号等变函数既没有理论优势也没有实证优势的结论。

    Mar, 2024

  • 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

  • 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

  • 量子蒙特卡洛梳理

    分子建模在量子级别需要选择一个能够尊重所需粒子对称性并可扩展到多粒子系统的波函数参数化。本文通过引入一种基于排序的新的反对称化层（称为 sortlet），在注意力神经网络骨干上应用该反对称化层，得到了一种灵活的波函数参数化形式，能够在逼近一周期元素原子和小分子基态时达到化学精确度。

    Nov, 2023

  • 关于表示（反）对称函数

    探讨了排列不变、等变、协变函数和反对称函数在量子物理、计算机视觉等领域的重要性， 提出了基于单个广义 Slater 行列式的反对称多项式逼近方法，并给出了等变多层感知器的明确普适性证明。

    Jul, 2020

  • 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

  • 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

  • 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