基于无基集的神经网络态域与Jastrow因子用于变分蒙特卡洛
计算物理
2026-05-19 v1 无序系统与神经网络
强关联电子
超导电性
化学物理
摘要
神经网络量子态为紧凑的多电子波函数提供了灵活的途径，但其实际精度高度依赖于如何处理费米子反对称性、电子关联以及优化噪声。本文将反演化学态域幂 (AGP) 行列式与采用前馈神经网络取代传统基集展开的行列式和两个Jastrow因子相结合。 resulting basis-free Jastrow-AGP ansatz 通过变分蒙特卡洛优化，旨在分离两个任务：AGP部分定义节点面，而神经网络Jastrow因子在固定节点处恢复动态关联。这种分离使得可能区分与动态关联相关的误差与由静态、多参考关联引起的误差。应用于氢分子和矩形氢四聚体时，表明当AGP节点足够时可达亚毫hartree精度，并暴露出在大半径正方形几何构型下节点限制的残余效应。这些结果阐明了在紧凑态域ansatz中神经网络构件可在何处改进，以及何处需要额外的节点灵活性。
引用
@article{arxiv.2605.17083,
title = {Basis-free neural-network geminal and Jastrow factors for variational Monte Carlo},
author = {Jan Kessler and Thomas D. Kühne},
journal= {arXiv preprint arXiv:2605.17083},
year = {2026}
}