AI首次解决量子物理学难题，DeepMind精确计算量子激发态，登Science

编辑 | KX
此前，Google DeepMind 研究人员开发的费米子神经网络（FermiNet）非常适合对大量电子的量子基态进行建模。
FermiNet 最初专注于分子的基态。

---

但是，当分子和材料受到大量能量的刺激时，例如暴露在光或高温下，电子可能会被踢入更高的能量状态——激发态。
激发态在物理学和化学等领域都很重要；然而，从第一原理出发对激发态特性进行可扩展、准确且稳健的计算仍然面临重要的理论挑战。
现在，DeepMind 研究人员开发了一种计算激发态的新方法，它比以前的方法更强大、更通用。该方法可以应用于任何类型的数学模型，包括 FermiNet 和其他神经网络。
所提出的方法对许多原子和分子实现了精确的激发态计算，远远优于现有的使用深度学习计算激发态特性的方法（尤其是在较大的系统上），并且可以应用于各种量子系统。
论文一作兼通讯作者 David Pfau 激动发文「这是深度学习首次准确解决量子物理学中一些最难的问题。希望朝着深度学习的通用量子模拟迈出新的一步。」
相关研究以「Accurate computation of quantum excited states with neural networks」为题，登上 Science ！
论文链接
分子激发态
当分子和材料受到大量能量的刺激时，例如暴露在光或高温下，它们的电子就会被踢入一种临时的新结构，称为激发态。
…

---

---

感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。