机构名称：
¥ 1.0
Rameters：内核大小k∈{3，6，12，24}，学习率η∈{0。0001，0。001}，在训练nopt∈{10，100}期间重复使用相同的VMC样品的迭代次数和训练算法a∈{原始，深（L层），Symforce-Init，Symforce-traj}。对于a∈{原始的，symforce-init，symforce-traj}，我们使用l = f = 1，其中l表示CNN层的数量，F表示CNN过滤器的数量。，当a = deep（l层）时，我们遵循[1]进行f和l的选择。我们使用l∈{2，3，8}。对于2层CNN，我们使用f∈{1，8，16}，对于更深的CNN，我们使用f∈{8，16}。对于超参数调整，我们通过设置张量[2]和numpy [3]的隆起种子来运行每个设置5次，并使用不同的随机初始化。收集实验结果后，我们首先删除在5个运行中的任何一个中引起差异的Hy-Perparameter设置。然后，对于每个（a，l，k），我们选择导致基态能量相对误差的最小绝对值的超级反感器。
补充材料
主要关键词
相关文件推荐
