一种基于神经网络的量子蒙特卡洛算法的量子化学方法

By introducing Fourier transform and KFAC optimizer into the quantum Monte Carlo algorithm, the Transformer model's ability to capture electronic states is enhanced, the problem of the accuracy dependency of wave function assumption is solved, and the accuracy and efficiency of electronic structure calculation are improved.

CN118917427BActive Publication Date: 2026-07-17PEKING UNIV
View PDF 2 Cites 0 Cited by

Patent Information

Authority / Receiving Office
CN · China
Patent Type
Patents(China)
Current Assignee / Owner
PEKING UNIV
Filing Date
2024-08-15
Publication Date
2026-07-17

Smart Images

  • Figure CN118917427B_ABST
    Figure CN118917427B_ABST
Patent Text Reader

Abstract

本发明公开了一种基于神经网络的量子蒙特卡洛算法的量子化学方法，包括：对Transformer模型进行预训练，使预训练的Transformer模型输出的轨道与使用Hartree‑Fock方法求解原子核势场中的薛定谔方程所得到的轨道匹配；利用傅里叶变换分别设计第一高频信息建模层和第二高频信息建模层；将第一高频信息建模层作为预训练的Transformer模型的输入层，将第二高频信息建模层作为预训练的Transformer模型的中间层，得到显式建模高频信息的Transformer模型，该显式建模高频信息的Transformer模型以电子位置为输入，以波函数为输出；对显式建模高频信息的Transformer模型进行训练，得到训练好的显式建模高频信息的Transformer模型；利用训练好的显式建模高频信息的Transformer模型在新的电子位置上进行预测，得到预测的波函数，实现对电子行为的建模。
Need to check novelty before this filing date? Find Prior Art