电子薛定谔方程的深度神经网络求解
计算物理
2020-09-25 v5 机器学习
化学物理
机器学习
摘要
[更新结果发表于 Nature Chemistry, doi:10.1038/s41557-020-0544-y。] 电子薛定谔方程描述了分子与材料的基本属性，但仅对氢原子可解析求解。数值精确的完全组态相互作用方法在电子数上呈指数级代价。量子蒙特卡洛是一种可能的出路：它对大分子具有良好的扩展性，可并行化，且迄今为止其精度仅受所用波函数 ansatz 灵活性的限制。在此我们提出 PauliNet，一种实现电子薛定谔方程近乎精确解的深度学习方法波函数 ansatz。PauliNet 以内置的多参考 Hartree-Fock 解作为基线，融入了有效波函数的物理约束，并使用变分量子蒙特卡洛（VMC）进行训练。PauliNet 在原子、双原子分子及强关联氢链上以明显优势超越同类的先进 VMC ansatz，且计算高效。我们预期，得益于随体系尺寸的良好的扩展性，该方法可成为中等规模分子体系高精度电子结构计算的新主导方法。
引用
@article{arxiv.1909.08423,
title = {Deep neural network solution of the electronic Schr\"odinger equation},
author = {Jan Hermann and Zeno Schätzle and Frank Noé},
journal= {arXiv preprint arXiv:1909.08423},
year = {2020}
}
备注
Add notice about new results in journal-published version