一种用于从头算量子化学的自注意力拟设
化学物理
2023-04-20 v2 机器学习
计算物理
摘要
我们提出了一种使用自注意力的新型神经网络架构，即波函数Transformer（Psiformer），它可用作求解多电子薛定谔方程的近似（或拟设），该方程是量子化学与材料科学的基本方程。此方程可从第一性原理求解，无需外部训练数据。近年来，FermiNet和PauliNet等深度神经网络已被用于显著提升这些第一性原理计算的精度，但它们缺乏用于门控电子间相互作用的类注意力机制。在此我们表明，Psiformer可用作这些其他神经网络的直接替代，通常能大幅改善计算精度。尤其在较大分子上，基态能量可改善数十kcal/mol，相较先前方法是一个质的飞跃。这表明自注意力网络能够学习电子间复杂的量子力学关联，并且是在较大体系化学计算中达到前所未有的精度的有前景的途径。
引用
@article{arxiv.2211.13672,
title = {A Self-Attention Ansatz for Ab-initio Quantum Chemistry},
author = {Ingrid von Glehn and James S. Spencer and David Pfau},
journal= {arXiv preprint arXiv:2211.13672},
year = {2023}
}