deepqmc/deepqmc

解决的问题

DeepQMC 提供了一种使用深度神经网络试波函数来模拟分子电子基态和激发态的方法。它求解分子哈密顿量，从而能够对这些波函数进行变分优化，以准确建模分子行为。

工作原理

该软件基于 JAX 和 Haiku 构建，使用深度学习的波函数形式（ansatze）来表示波函数。它采用基于惩罚的方法来优化激发态，并使用自旋惩罚来针对特定的自旋区。此外，它还支持几何可转移性，意味着单个神经网络可以通过固定数据集或动态采样在多个分子构型上进行训练。

适用人群

专为需要执行分子电子态变分蒙特卡洛模拟的计算化学和量子化学研究人员及科学家设计。

主要亮点

• 支持广泛的神经网络波函数形式，包括 FermiNet、PauliNet、Psiformer、DeepErwin 和 LapNet。
• 实现了跨多种原子构型的几何可转移性，用于优化。
• 可以模拟基态和激发电子态。
• 与 JAX 集成，支持在 CPU 和 GPU 上进行高性能计算。