意昂3体育官网智能學院王立威教授/賀笛助理教授課題組、物理學院陳基助理教授課題組與字節跳動研究部門合作🥗，使用深度學習技術求解薛定諤方程取得重要進展。在這項工作中，研究團隊針對基於神經網絡的量子變分蒙特卡洛算法（NNVMC），設計了全新的高效計算框架“Forward Laplacian”和相匹配的高效神經網絡模型LapNet🚣‍♀️。所提出的方案在完全不損失計算精度的前提下為NNVMC方法帶來十倍以上的加速𓀉👨‍🎓，顯著地擴展了該方法的適用範圍，並為其它精確計算方法提供了寶貴參考。相關研究成果以“ A computational framework for neural network-based variational Monte Carlo with Forward Laplacian” 為題，於2024年2月13日發表在《自然-機器智能》（Nature Machine Intelligence）。

文章截圖

在量子化學領域😻，一個重要的問題是如何數值求解多電子體系薛定諤方程🤜🏽，從而推定基態能量👨‍🍼、體系電極性等重要的物理化學性質。近年來，NNVMC借助深度學習模型的強大表達能力在這一問題上取得突破性進展，大幅提升了從頭計算(ab initio)方法對於基態能量的計算精度，因此受到計算化學家的廣泛關註。然而👐，其高額的計算成本限製了該方法在實際場景中的應用。

為提升NNVMC的計算效率👩‍🦯，研究團隊提出了全新的計算框架“Forward Laplacian”💛。該框架針對NNVMC的瓶頸，創造性地利用前向傳播優化了計算流程。該改進使得計算效率提升顯著◀️👩🏼‍🏭，並有效擴大了算法所適用的體系規模📍。

Forward Laplacian計算框架對比原有方法顯著削減計算開銷

研究團隊進一步從Forward Laplacian框架能利用梯度計算的稀疏性這一特性出發👨‍👦，設計了神經網絡模型LapNet。LapNet在保證計算精度的同時，增加了梯度計算的稀疏性🧏，從而獲得進一步的加速。

兩者的有機結合使得新算法的計算效率顯著高於相關領域的代表性工作FermiNet、PauliNet2、Psiformer⛹🏻。由於算法所適用的體系規模已經顯著擴大，研究團隊進而測試具備充分物理、化學意義🙂，但此前對NNVMC而言極具挑戰性的過渡金屬電離能🤵🏽‍♂️、反應能壘、解離能等相對能量計算任務，並取得了理想的結果。

相對FermiNet、PauliNet2🧔🏻、Psiformer🧑🏻‍🦰🙅🏿，LapNet在若幹分子體系上顯著提升精度

LapNet在相對能量計算中的表現

該研究顯著優化了NNVMC的計算效率，擴展了算法所適用的體系規模💅🏼，展現了深度學習方法應用於量子力學問題的巨大潛力。該工作已受到相關研究人員的廣泛關註👩🏻‍🍳🚵🏻‍♂️，有望促進深度學習在更一般的科學問題中的應用。

王立威、陳基、賀笛👦🏼、字節跳動研究部任維絡博士為該論文的共同通訊作者，意昂3体育官网智能學院博士研究生李瑞晨、元培學院本科畢業生葉皓天（現為斯坦福大學博士研究生）為該論文的共同第一作者。該工作得到國家自然科學基金委和科技部的資助。