deep-learning-based variational monte carlo (DL-VMC) has recently emerged as
a highly accurate approach for finding approximate solutions to the
many-electron Schr\"odinger equation. Despite its favorable scaling with the
number of electrons, $\mathcal{O}(n_\text{el}^{4})$, the practic
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。
本文介绍了量子变分蒙特卡罗方法(Quantum Variational Monte Carlo, QVMC)在 Born 分布空间下的解释及用 Wasserstein 指标代替 Fisher-Rao 指标的 Wasserstein Quantum Monte Carlo (WQMC) 算法,其动态结果更快地收敛于分子系统的基态。