陈基课题组与合作者报道机器学习量子蒙特卡洛计算新进展

近日，北京大学物理学院凝聚态物理与材料物理研究所陈基研究员课题组与字节跳动研究部任维络博士等合作，将深度学习神经网络波函数方法与DMC方法相结合，开发了一个新的GPU友好、可高度并行化的神经网络DMC方法，大幅提升了分子体系电子结构总能计算的精度。

神经网络DMC方法在效率、精度上相较于已有方法均有着较大的提升。在氮气、环丁二烯、水二聚物团簇等一系列具有挑战性的分子体系上比最精确的量子化学方法更准确，能够非常好的符合实验结果。此外，该工作是领域内首个用神经网络QMC方法对苯环二聚体这个规模的分子体系进行计算的工作。苯环二聚体的结合能是标定电子结构计算方法精度的一个重要体系，神经网络DMC方法相比于VMC等方法进步显著。

该工作中实现的神经网络DMC方法对于研究凝聚态物理中的电子关联问题、复杂材料的电子结构以及精准量子化学等具有重要的意义，将成为电子结构计算领域新的标杆式计算方法。此项研究是合作研究团队在发展机器学习QMC算法的系列工作中的又一重要进展。此前，双方已先后合作开发了机器学习QMC方法中的原子有效核势（Phys. Rev. Research 2022, 4, 013021）；实现了机器学习QMC方法中原子间作用力的计算（J. Chem. Phys. 2022, 157, 164104）；开发了领域内首个适用于研究固体等周期性体系的神经网络波函数模型DeepSolid（Nature Communications 2022, 13, 7895）。未来，将神经网络DMC方法与已经开发的这些方法相结合可以进一步提高各类体系的计算精度。

出版信息

标题:

Towards the ground state of molecules via diffusion Monte Carlo on neural networks

出版信息:

Nature Communications，03 April 2023

DOI:

10.1038/s41467-023-37609-3

转自：“科研之友 ScholarMate”微信公众号

如有侵权，请联系本站删除！