面向强相关系统的基于可迁移深度量子蒙特卡罗的 ab initio 几何优化

对化学过程的忠实描述需要探索分子势能面（PES）的扩展区域，而这在强相关系统中仍具有挑战性。可迁移深度学习变分蒙特卡罗（VMC）提供了一条有前景的道路，通过在一致的高精度下联合求解电子薛定谔方程，以覆盖多个分子构型。然而，其随机性使得直接探索分子配置空间变得 nontrivial。本文提出了一种框架，用于 highly accurate 的 PES 探索，将可迁移深度学习 VMC 与能量、力和 Hessian 的 cost-effective 估计相结合。通过在 VMC 优化电子波函数时持续抽样核构型，我们获得的可迁移描述在化学相关构型分布内实现零次序化学精度。在后续的分子构型空间表征期间，PES 仅稀疏地评估，并通过在抽样构型处估计 VMC 能量和力，并聚合 resulting noisy 数据使用高斯过程回归构建局部近似。该方法实现了复杂 PES landscape 的 accurate and efficient 探索，包括结构松弛、过渡态搜索和最低能量路径，适用于基态和激发态。这为研究具有显著多参考特征系统中的键的断裂、形成和大规模结构重排开辖了道路。