NNQS-Transformer：一种用于第一性原理量子化学的高效可扩展神经网络量子态方法
量子物理
2023-11-02 v3 人工智能
摘要
神经网络量子态（NNQS）已成为量子多体问题的有前途的候选方法，但其实际应用常受限于采样和局域能量计算的高成本。我们开发了一种用于第一性原理（ab initio）电子结构计算的高性能 NNQS 方法。主要创新包括：（1）一种基于 transformer 的架构作为量子波函数拟设；（2）一种以数据为中心的变分蒙特卡洛（VMC）算法并行化方案，它保持数据局部性并良好适应不同计算架构；（3）一种并行批量采样策略，降低了采样成本并实现了良好的负载平衡；（4）一种并行局域能量评估方案，在内存和计算上均高效；（5）对真实化学体系的研究表明，与最先进方法相比我们方法的优越性，以及对多达 个自旋轨道的大型分子体系的强可扩展性和弱可扩展性。
引用
@article{arxiv.2306.16705,
title = {NNQS-Transformer: an Efficient and Scalable Neural Network Quantum States Approach for Ab initio Quantum Chemistry},
author = {Yangjun Wu and Chu Guo and Yi Fan and Pengyu Zhou and Honghui Shang},
journal= {arXiv preprint arXiv:2306.16705},
year = {2023}
}
备注
Accepted by SC'23, fix Table1 CCSD references