編輯 | ScienceAI
近些年來 AI for Science 在眾多領域取得重大成功。其中，基於神經網路的量子變分蒙特卡洛方法 (NNVMC) 在量子化學領域展現出強大潛力，備受關注。
最近位元組跳動研究部門 ByteDance Research 和北京大學團隊在 NNVMC 框架中融入物理對稱性，實現了量子激發態的高效精確求解。
該工作以《Spin-symmetry-enforced solution of the many-body Schrödinger equation with a deep neural network》為題的論文已發表於國際頂級期刊 《Nature Computational Science》，相關程式碼已經開源。
程式碼地址：https://github.com/bytedance/jaqmc
此外，華東師範大學何曉老師及合作者在該期刊 News & Views 撰寫了相關文章《Teaching spin symmetry while learning neural network wave functions》介紹了這一工作。
文章連結：https://www.nature.com/articles/s43588-024-00727-z
該工作由 ByteDance Research、北京大學物理學院陳基課題組和北京大學智慧學院王立威課題組共同完成。
方法介紹
計算結果
基態訓練的提升
激發態訓練的提升
作者針對兩類體系做了高激發態計算，分別是原子光譜以及有機分子乙烯和甲醛，並將實驗結果和當前 NNVMC 領域中具有代表性的激發態計算方法進行對比[1, 2]。
雙自由基體系
由於其獨特的電子結構，雙自由基體系中自旋三重態與自旋單重態之間的能隙計算一直是傳統量子化學領域的一大挑戰。
總結
參考文獻
[1] David Pfau et al., Accurate computation of quantum excited states with neural networks. Science 385, eadn0137 (2024). DOI: 10.1126/science.adn0137
[2] Szabó PB et al., An improved penalty-based excited-state variational Monte Carlo approach with deep-learning ansatzes. Journal of Chemical Theory and Computation. 2024 Aug 30;20(18):7922-35.
[3] Shee J, Arthur EJ, Zhang S, Reichman DR, Friesner RA. Singlet–triplet energy gaps of organic biradicals and polyacenes with auxiliary-field quantum Monte Carlo. Journal of chemical theory and computation. 2019 Aug 5;15(9):4924-32.
[4] Lee J, Malone FD, Morales MA. Utilizing essential symmetry breaking in auxiliary-field quantum Monte Carlo: Application to the spin gaps of the C36 fullerene and an iron porphyrin model complex. Journal of chemical theory and computation. 2020 Apr 13;16(5):3019-27.