用于量子化学的混合张量网络与神经网络量子态
化学物理
2025-07-28 v1 强关联电子
摘要
神经网络量子态已成为解决量子多体问题的一个强大且灵活的框架。虽然它们在模型哈密顿量上取得了成功，但由于若干原因，其在分子系统中的应用仍然具有挑战性。在这项工作中，我们引入了三项创新来克服一些关键限制。(1) 我们提出了两种新颖的拟设，它们混合了张量网络和神经网络态，以解决初始化挑战并增强张量网络的表达能力。首先，我们开发了一种有界度图递归神经网络拟设，它利用基于图的更新，从而能够应用于分子电子结构问题。其次，我们引入了受限制玻尔兹曼机启发的相关子，以进一步增强表达能力和提高精度，而无需大幅修改底层的变分蒙特卡洛优化框架。(2) 我们引入了一种用于局部能量评估的半随机算法，该算法在保持高精度的同时显著降低了计算成本。结合这些进展，我们证明了我们的方法可以在具有挑战性的系统中达到化学精度，包括一维氢链H50、铁硫簇[Fe2S2(SCH3)4]^{2-}以及三维3×3×2氢簇H18。这些方法已在一个开源软件包PyNQS（https://github.com/Quantum-Chemistry-Group-BNU/PyNQS）中实现，以推进用于量子化学的神经网络量子态方法。
引用
@article{arxiv.2507.19276,
title = {Hybrid tensor network and neural network quantum states for quantum chemistry},
author = {Zibo Wu and Bohan Zhang and Wei-Hai Fang and Zhendong Li},
journal= {arXiv preprint arXiv:2507.19276},
year = {2025}
}
备注
29 pages, 4 figures