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

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

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

使用图神经网络结合神经波函数，同时使用 VM-C 方法解决多种几何结构下的薛定谔方程，极大地减少了计算资源的需求，速度提高了 40 倍以上，并达到或超过现有网络的精度水平，为量子机械计算提供了具有一定准确性且成本更低的开路。

Oct, 2021

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

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

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

本文提出了神经网络量子态的解释，以近似求解核物质的多体薛定谔方程，成功将 ANN 波函数与传统的二体和三体 Jastrow 函数和基本准确的 Green's 函数 Monte Carlo 结果进行了基准测试。

Jul, 2020

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

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