论文标题：Towards the ground state of molecules via diffusion Monte Carlo on neural networks

论文来源：Nature Communications

论文链接：https://www.nature.com/articles/s41467-023-37609-3

基于固定节点近似（fixed-node approximation）的扩散蒙特卡罗方法（DMC，Diffusion Monte Carlo）在过去几十年里取得了重大发展。当需要得到精确的分子和材料的基态能量（ground state energy）时，DMC是首选方法之一。然而，不准确的节点结构阻碍了DMC应用于更具挑战性的电子关联问题。

在这项最近发表在 Nature Communications 上的工作中，作者将基于神经网络的试验波函数（trial wavefunction）应用于固定节点 DMC，这可以精确计算许多具有不同电子特性的原子和分子系统。与使用变分蒙特卡罗（VMC，variational Monte Carlo）的最先进的神经网络方法相比，这篇文章的方法在准确性和效率上都更优越。作者还引入了一种基于VMC和DMC能量之间经验线性关系的外推方案，极大地改进了他们的结合能计算。总的来说，这个计算框架为关联电子波函数（correlated electronic wavefunction）的精确解提供了基准，也阐明了对分子的化学理解。

图2：FermiNet-DMC在单原子上的准确性和效率。

推荐阅读

​