主要观点总结
文章介绍了DeepMind团队使用神经网络架构FermiNet计算量子激发态的工作。文章回顾了量子力学历史，并指出开发一种新方法来解决高效表示问题的必要性。尽管现有的计算量子力学工具种类繁多，但仍然存在计算复杂性的挑战。DeepMind团队使用深度神经网络来解决化学和凝聚态物理中更现实的问题，特别是在处理电子时的困难。团队开发了一种名为FermiNet的神经网络架构，利用变分量子蒙特卡洛法来提高计算的精度。该架构在逐渐增大的分子上的表现令人印象深刻，并与多种基准方法进行了比较。最新工作提出了一种计算激发态的新方法，该方法比传统方法更稳健和通用。文章还介绍了AI+Science读书会以及推荐阅读的相关内容。
关键观点总结
关键观点1: DeepMind团队使用神经网络架构FermiNet进行计算量子激发态的研究。
团队面临现有计算量子力学工具的复杂性挑战，并开发了一种新方法来解决高效表示问题。
关键观点2: 量子力学历史的回顾。
量子力学中的诡异现象让人困惑，但其核心方程足以描述我们周围所有熟悉的物质在原子和原子核层次上的行为。
关键观点3: FermiNet神经网络架构的介绍。
该架构利用深度神经网络来解决化学和凝聚态物理中的现实问题，特别是在处理电子方面的困难。它通过构建一个反对称的神经网络来解决泡利不相容原理的问题。
关键观点4: 变分量子蒙特卡洛法的应用。
这种方法用于提高计算的精度，并通过从波函数中生成样本进行训练。
关键观点5: 最新工作：计算激发态的新方法。
该方法通过引入额外的粒子来找到基态，可以应用于任何类型的数学模型，包括 FermiNet 和其他神经网络。在基准测试中验证了该方法，并获得了有前景的结果。
关键观点6: AI+Science读书会的介绍。
这是一个探讨人工智能与科学相结合领域的读书会，共同研究该领域的重要问题。
文章预览
导语 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。 研究领域：量子化学，神经网络，AI for science David Pfau，James Spencer | 作者 龚铭康 | 译者 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
………………………………
