Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations

最近的研究提出了通过学习泛化的波函数来分摊高计算成本，而不是独立解决每个问题。这些泛化的神经波函数在近似多电子系统的基态方面取得了前所未有的精确度。然而，强制电子排列反对称性仍然是一个挑战，因为现有的方法需要通过非可学习的手工算法进行离散轨道选择。本研究通过定义过度参数化、完全可学习的神经波函数来解决这个问题，适用于分子的泛化。我们通过依赖Pfaffians而不是Slater行列式来实现这一点。Pfaffian允许我们在任意电子系统上强制反对称性，而不需要对电子自旋配置或分子结构进行任何约束。我们的实证评估发现，单个神经Pfaffian可以在各种系统中以化学精度计算基态和电离能。在TinyMol数据集上，我们的结果优于“黄金标准”CCSD(T) CBS参考能量1.9m$E_h$，并且相对于先前的泛化神经波函数，能量误差降低了一个数量级。

本文旨在解决通用神经波函数中的电子置换反对称性问题，提出了一种基于Pfaffians的方法，以实现在不同分子结构中学习通用波函数。

本文提出了一种基于Pfaffians的方法，以构建可在不同分子结构中学习的通用神经波函数，实现了对电子置换反对称性的约束。

本文的实验表明，使用单个神经Pfaffian可以在各种系统中计算出与化学精度相符的基态和电离能，比之前的通用神经波函数减少了一个数量级的能量误差。

在相关研究方面，本文提到了一些以往使用的方法，如Slater行列式和非可学习的手工算法来处理电子置换反对称性问题。