.png){kind=icon}
返回
Deep Learning Quantum Monte Carlo for Solids
.png){kind=icon}
PRE
AI
DOI：10.1002/wcms.70015.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习深刻改变了多个研究领域的范式。化学和物理科学的核心是准确的多体波函数从头算计算，这已成为展示深度学习在科学中力量的最显著实例之一。特别是，将深度学习引入量子蒙特卡罗（QMC）显著推进了从头算计算的前沿，提供了一种通用的工具来求解材料和分子的电子结构。深度学习QMC架构最初是为小分子设计和测试的，重点与其他最先进的从头算方法进行比较。方法学发展，包括扩展到真实固体和周期性模型，正在迅速推进，报道的应用也在快速扩展。本文综述了固体深度学习QMC的理论基础、神经网络波函数试探函数，以及其他各种方法学发展。对真实固体的能量、电子密度、电极化、力和应力计算的应用也进行了综述。这些方法还被扩展到其他周期性系统和有限温度计算。本文突出了深度学习QMC在材料化学和凝聚态物理学中的潜力及现有挑战。
Keyword:
condensed matter physics
deep learning
electronic structure
quantum Monte Carlo
期刊
W
IF:
27
论文数:
668
被引数:
1.2W
机构
暂无机构信息
引用论文
Ab initio calculation of real solids via neural network ansatz通过神经网络ansatz从头计算实际固体.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Towards the ground state of molecules via diffusion Monte Carlo on neural networksNATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Pfaffian pairing and backflow wavefunctions for electronic structure quantum Monte Carlo methodsPHYSICAL REVIEW B
PHYSICAL REVIEW BIF3.7
PREAI
分享收藏
查看更多内容