利用Slater指数Ansatz提升费米子神经网络性能
量子物理
2023-08-15 v2 化学物理
摘要
本工作中,我们提出一种将费米子神经网络(FermiNets)与 Slater 指数 Ansatz 用于电子-核及电子-电子距离的技术,由于更好描述了聚点邻域内的粒子间相互作用,该方法使目标基态能量收敛更快。学习曲线分析表明,利用装袋(bagging)方法的论点,可用更小批量大小获得精确能量。为获得更精确的基态能量,我们提出一种外推方案,用于在点数无穷极限下估计蒙特卡洛积分。一组分子的数值测试表明,其与原始 FermiNets(需比本方法更大的批量大小)结果及耦合簇单双激发加微扰三激发(CCSD(T))方法在完全基组(CBS)极限下的结果均吻合良好。
引用
@article{arxiv.2202.10126,
title = {Improving the performance of fermionic neural networks with the Slater exponential Ansatz},
author = {Denis Bokhan and Aleksey S. Boev and Aleksey K. Fedorov and Dmitrii N. Trubnikov},
journal= {arXiv preprint arXiv:2202.10126},
year = {2023}
}
备注
11 pages, 2 figures, 1 table