编辑 | ScienceAI

近些年来 AI for Science 在众多领域取得重大成功。其中，基于神经网络的量子变分蒙特卡洛方法 (NNVMC) 在量子化学领域展现出强大潜力，备受关注。

最近字节跳动研究部门 ByteDance Research 和北京大学团队在 NNVMC 框架中融入物理对称性，实现了量子激发态的高效精确求解。

该工作以《Spin-symmetry-enforced solution of the many-body Schrödinger equation with a deep neural network》为题的论文已发表于国际顶级期刊 《Nature Computational Science》，相关代码已经开源。

代码地址：https://github.com/bytedance/jaqmc

此外，华东师范大学何晓老师及合作者在该期刊 News & Views 撰写了相关文章《Teaching spin symmetry while learning neural network wave functions》介绍了这一工作。

文章链接：https://www.nature.com/articles/s43588-024-00727-z

该工作由 ByteDance Research、北京大学物理学院陈基课题组和北京大学智能学院王立威课题组共同完成。

方法介绍

计算结果

基态训练的提升

作者针对两类体系做了高激发态计算，分别是原子光谱以及有机分子乙烯和甲醛，并将实验结果和当前 NNVMC 领域中具有代表性的激发态计算方法进行对比[1, 2]。

由于其独特的电子结构，双自由基体系中自旋三重态与自旋单重态之间的能隙计算一直是传统量子化学领域的一大挑战。

参考文献

[1] David Pfau et al., Accurate computation of quantum excited states with neural networks. Science385, 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.