跳到正文
Nature Computational Science· Zeno Schätzle; P. Bernát Szabó; Alice Cuzzocrea; Matěj Mezera; Frank Noé·· 来源仅提供日期AI 评分52

可迁移深度量子蒙特卡洛实现激发态势能面从头模拟

Ab initio simulation of excited-state potential energy surfaces with transferable deep quantum Monte Carlo

AI 导读

研究团队提出一种可几何迁移的神经网络波函数优化方法,可高效预测基态与激发态势能面及其交叉点。该方法利用权重共享和电子态动态排序,相比单点计算最多降低两个数量级成本。作者在乙烯、碳二聚体、methylenimmonium cation 和含 96 个电子的 rubredoxin 活性位点模型上验证了方法。

已发表论文 · journal · 10.1038/s43588-026-01065-y

本站摘要基于收录版本 v1(2026-11-06),原始摘要与 AI 导读固定保留。

IF(5) 21.9 · 2025 · 期刊参考指标

摘要 · AI 翻译

激发态的精确量子化学计算是一项具有挑战性的任务,通常需要计算量很大的方法。当需要完整的基态和激发态势能面(PESs)时,例如为了预测光激发与结构变化之间的相互作用,人们往往被迫采用计算成本较低的方法,代价是精度降低。在此,我们提出了一种用于神经网络波函数几何可迁移优化的方法,该方法利用权重共享和电子态的动态排序。我们的方法能够以最高精度高效预测基态和激发态势能面及其交叉点,与单点计算相比,成本最多可降低两个数量级。我们在四个具有挑战性的激发态势能面上验证了我们的方法,即乙烯、碳二聚体、亚甲基亚铵阳离子以及一个包含 96 个电子的红氧蛋白活性位点模型,展示了可迁移深度学习量子蒙特卡罗作为研究分子电子激发的实用框架的潜力。

来源:Nature Computational Science · doi.org