机构名称：
¥ 1.0
摘要 量子态神经网络表示的变分优化已成功应用于解决相互作用的费米子问题。尽管发展迅速，但在考虑大规模分子时仍存在重大的可扩展性挑战，这些分子对应于由数千甚至数百万个泡利算子组成的非局部相互作用的量子自旋哈密顿量。在这项工作中，我们引入了可扩展的并行化策略来改进基于神经网络的变分量子蒙特卡罗计算，以用于从头算量子化学应用。我们建立了 GPU 支持的局部能量并行性来计算潜在复杂分子哈密顿量的优化目标。使用自回归采样技术，我们展示了实现耦合簇所需的挂钟时间的系统改进，其中基线目标能量高达双激发。通过将所得自旋哈密顿量的结构纳入自回归采样顺序，性能得到进一步增强。与经典近似方法相比，该算法实现了令人鼓舞的性能，并且与现有的基于神经网络的方法相比，具有运行时间和可扩展性优势。
用于量子化学的可扩展神经量子态架构
主要关键词
相关文件推荐
