AAAIJan, 2024

带有离子电荷初始化的开源费米子神经网络

PDF
TL;DR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。
electronic schrödinger equationmolecular energiesmaterial characteristicsvariational monte carlo methodsferminet
发现论文，激发创造
  • 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

  • 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

  • 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

  • 固体迁移性神经波函数

    基于深度学习的变分蒙特卡洛（DL-VMC）近期被证明是一种高精确度的方法，用于找到多电子薛定谔方程的近似解。

    May, 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

  • 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

  • 限制预训练神经波函数的变化蒙特卡罗法

    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

  • 深度学习增强变分蒙特卡罗方法在量子多体物理中的应用

    文章介绍了采用深度神经网络结合重要性抽样梯度优化算法在数值量子多体计算中的应用，通过设计出高效的卷积神经网络结构，成功地计算出了一维 SU ($N$) 自旋链上的基态能量和环相关函数，并取得了与 Bethe-Ansatz 精确解的极好一致性。

    May, 2019

  • 具有神经网络假设的变分量子蒙特卡罗方法在开放式量子系统中的应用

    通过使用变分 Monte Carlo 方法和神经网络密度矩阵表示，我们开发了一种有效模拟开放量子系统非平衡稳定态的方法，并通过建模二维耗散性 XYZ 自旋模型进行测试。

    Feb, 2019