利用神经网络精确计算量子激发态
计算物理
2024-09-04 v3 机器学习
化学物理
量子物理
摘要
我们提出了一种变分蒙特卡洛算法,用于估计量子系统的最低激发态,它是基态估计的自然推广。该方法没有自由参数,也不需要不同态之间的显式正交化,而是将求给定系统激发态的问题转化为求一个扩展系统的基态的问题。可以计算任意可观测量期望值,包括不同态之间的非对角期望,如跃迁偶极矩。尽管该方法是完全通用的,但它与近期将神经网络用作多电子系统变分 Ans"atze 的工作结合尤其良好;我们表明,通过将此方法与时 FermiNet 和 Psiformer Ans"atze 结合,我们可以在一系列分子上准确恢复垂直激发能和振子强度。我们的方法是首个在苯尺度分子上实现准确垂直激发能(包括具有挑战性的双激发)的深度学习途径。除这里的化学例子外,我们期望该技术在原子、核与凝聚态物理应用中引起极大兴趣。
引用
@article{arxiv.2308.16848,
title = {Accurate Computation of Quantum Excited States with Neural Networks},
author = {David Pfau and Simon Axelrod and Halvard Sutterud and Ingrid von Glehn and James S. Spencer},
journal= {arXiv preprint arXiv:2308.16848},
year = {2024}
}
备注
The content of this version is identical to the manuscript draft which was sent to Science on May 17th 2024