柏林自由大学 Noé 团队发布可迁移 DeepQMC 方法,一次运行算准激发态能量面
FrankNoeBerlin · x · 2026-11-07
柏林自由大学 Frank Noé 团队(与 Zeno Schätzle、P. Bernt Szabó、Alice Cuzzocrea、Matej Mezera 合作)发布论文《Ab initio simulation of excited-state potential energy surfaces with transferable deep quantum Monte Carlo》。
- 要解决的问题:量子化学中激发态的精确计算本来就难,要算完整的激发态能量面(excited-state energy surfaces)更是难上加难。
- 方法:提出可迁移的激发态神经网络波函数架构(transferable excited-state ansatz),利用权重共享和电子态的动态排序,在一次深度量子蒙特卡洛(DeepQMC)运行中同时优化多个态;损失函数包含几何迁移项、能量期望、自旋惩罚与态间重叠惩罚。
- 验证结果:在碳双原子分子 C₂ 的 10 个键长(1.0–1.9 Å)上复现了 8 个最低单重/三重态,与 semistochastic heat-bath CI (SHCI) 基准高度吻合;在乙烯的扭转角与锥形化角扫描上,基态/第一激发态结果与 NES-VMC 和 MR-CI 一致。
- 亮点:架构具备几何可迁移性,一次训练即可覆盖整条能量面,而非逐点计算。
「研究」频道最新
- 研究：正则化非但拦不住隐性偏见，反而放大 subliminal learning — AdtRaghunathan · 2026-11-07
- LLM 本质是隐藏的 Reward Model：详解斯坦福 DPO 论文核心思想 — dotey · 2026-11-07
- RareDiseaseBench 发布：35 个罕见病病例考验 AI 智能体诊断能力 — kenbwork · 2026-11-07
- ETH 被驳倒后 3-SAT 获亚指数算法,GNN 链攻坚图对齐难题 — marc_lelarge · 2026-11-07
- CMU L3 Lab CUA Week:GPT-6 实时小游戏通过率仅 9% — dan_fried · 2026-11-07
- NYU 团队开发 Witnesses：让 AI 训练数据声明无需重跑即可验证 — pratyusha_PS · 2026-11-07