大型语言模型在量子化学神经量子态中的比例律
机器学习
2025-09-17 v1 计算工程、金融与科学
量子物理
摘要
比例律用于描述大型语言模型（LLM）性能随模型规模、训练数据规模或计算资源量而变化的规律。鉴于神经量子态（NQS）日益采用基于LLM的组件，我们寻求理解NQS的比例律，从而为NQS模型在性能与资源之间的最优权衡提供指导。具体而言，我们识别出用于预测基于transformer的NQS在第二量子化学应用中，随问题规模变化而表现的比例律（以绝对误差和V得分衡量）。通过对获取的参数曲线进行类似计算受限优化，我们发现模型规模与训练时间之间的关系取决于损失度量标准和模型结构，尚未遵循语言模型中近似线性关系。
关键词
引用
@article{arxiv.2509.12679,
title = {Large Language Model Scaling Laws for Neural Quantum States in Quantum Chemistry},
author = {Oliver Knitter and Dan Zhao and Stefan Leichenauer and Shravan Veerapaneni},
journal= {arXiv preprint arXiv:2509.12679},
year = {2025}
}
备注
16 pages, 5 figures, to be submitted for peer review