[爆卦] AI首次成功計算量子激發態

[jackliao1990 (j)]

https://www.science.org/doi/abs/10.1126/science.adn0137
https://deepmind.google/discover/blog/ferminet-quantum-physics-and-chemistry-from-first-principles/

當化合物受到能量刺激時，電子進入激發態。這影響了從太陽能電池板和LED到半導體和光
催化劑的性能，還涉光合作用和視覺等重要過程。然而這種特徵極難建模，因為激發電子
是量子的，它們在分子的位置永遠不確定，只能用機率來表示。準確計算激發態能量比計
算基態能量困難得多。即使是基態化學的黃金標準方法如耦合簇也有數十倍的誤差。

Google DeepMind為此發表了費米子神經網路-FermiNet以預測分子的能量。

DeepMind提出了一種透過變分蒙特卡羅估計量子系統激發態的演算法，該演算法沒有自由
參數也不需要對狀態進行正交化，而是將問題轉換為尋找擴展系統基態的問題。可以計算
任意可觀測量，包括非對角期望，例如躍遷偶極矩。此方法特別適用於神經網路分析，透
過將此方法與FermiNet和Psiformer ansatz結合，可以準確地恢復一系列分子的激發能量
和振盪器強度。研究員將神經網路ansatze的靈活性與數學洞察力相結合，使其能夠將尋找
系統激發態的問題轉換為尋找擴展系統基態的問題，然後使用標準VMC來解決。激發態的線
性獨立性是透過ansatz的函數形式自動施加的。每個激發態能量和其他可觀測量都是透過
將單態ansatze上的漢密爾頓期望矩陣對角化得到的，這些可觀測量可累積而無需額外成本。

測試結果
AI在碳二聚體實現了4meV的平均絕對誤差，比過去黃金標準計算準確度高出五倍。
在乙烯上，AI正確描述了扭曲分子的圓錐交叉點，並且與高精度多參考組態相互作用MR-CI
結果高度一致。
在苯上，和其他方法相比，AI與理論最佳估計值具有更好的一致性。這表明神經網路可以
準確地表示分子激發態。

論文作者David Pfau:"這是深度學習首次準確解決量子物理學中一些最困難的問題。希望
朝著深度學習的通用量子模擬邁出新的一步。"


--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 111.253.131.94 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/Gossiping/M.1724411016.A.BE7.html
推 au4g3wk4k: 還好 台灣有錢也能研究得出來
推 callhek: 嗯嗯跟我想的一樣
→ sola01078272: 跟我算得差不多 可惜我還沒發表
推 v8700: AI 被駭客亂用的話 是不是就GG 了
→ v8700: 要更核武器一樣管制才對
推 yixue: 跟我想的差不多
推 leadershit: 賈伯斯4ni
→ JoeyChen: 量子...要預測未來了
推 aggressorX: AI起飛
→ ImBBCALL: 我也是這樣想的
推 MindYours: 可惡本來要上週發表的
→ Forcast: 核融合要用的
推 ginsengwolf: 還不是靠台積電
→ ev331: 比特幣還有得玩嗎
推 w45452515: 嗯嗯 雖然都是中文但我看不懂