深度学习解决计算量子化学基本问题，探索物质与光如何相互作用

主要观点总结

本文主要介绍了DeepMind团队开发的神经网络架构FermiNet及其在量子化学和量子力学领域的应用，回顾了量子力学的发展历程和现有计算方法的挑战，介绍了使用深度神经网络解决量子问题的新思路和方法及其在原子和分子能量计算中的应用以及扩展到激发态的计算的研究进展。

关键观点总结

关键观点1: 量子力学的概念及其应用领域

关键观点2: 深度神经网络在解决量子化学问题中的应用

关键观点3: Monte Carlo方法和变分量子蒙特卡洛法（VMC）的应用

关键观点4: 激发态计算的新方法

关键观点5: 深度神经网络的未来应用潜力

文章预览

加 星标 ，才能不错过每日推送！方法见文末插图 当分子和材料受到大量能量的刺激时，电子可能会跃迁到更高能量的激发态。激发态对理解物质如何与光相互作用至关重要。在此前的研究中，DeepMmind 团队开发了神经网络架构 FermiNet，利用深度学习从第一性原理计算原子和分子的能量。近日，研究团队将这项工作拓展到激发态的计算中，在 Science 上发表用神经网络计算量子激发态的突破性工作，该方法比以往的方法更稳健和通用。 撰文  |  David Pfau，James Spencer 翻译  |  龚铭康 论文题目： Accurate computation of quantum excited states with neural networks 论文地址： https://www.science.org/doi/abs/10.1126/science.adn0137 2020年发表于  Physical Review Research   上的文章展示了深度学习如何帮助解决现实系统中的量子力学基本方程。这不仅是一个重要的基础科学问题，也可能在未 ………………………………