PulseAugur
中
实时 06:00:18
English(EN) Ab-initio simulation of excited-state potential energy surfaces with transferable deep quantum Monte Carlo

深度学习QMC方法加速激发态势能面计算

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种优化神经网络波函数的新方法，能够高效预测基态和激发态势能面（PESs）。该方法利用权重共享和电子态的动态排序，与传统方法相比，成本降低了两个数量级。该技术已在四种复杂的激发态势能面上进行了验证，包括乙烯、碳二聚体、亚甲基铵阳离子和一种红氧化还原蛋白活性位点模型，展示了可转移深度学习QMC在研究分子电子激发方面的潜力。 AI

影响 该方法可以显著加速分子相互作用和反应的模拟，有助于化学和材料科学的研究。

排序理由 详细介绍一种新计算方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

深度学习QMC方法加速激发态势能面计算

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Zeno Sch\"atzle, P. Bern\'at Szab\'o, Alice Cuzzocrea, Mat\v{e}j Mezera, Frank No\'e ·

    可迁移深度量子蒙特卡洛方法对激发态势能面的从头模拟

    arXiv:2503.19847v2 Announce Type: replace-cross Abstract: The accurate quantum chemical calculation of excited states is a challenging task, often requiring computationally demanding methods. When entire ground and excited potential energy surfaces (PESs) are desired, for instanc…

相关实体

相关话题