deepqmc/deepqmc

解決的問題

DeepQMC 提供了一種使用深度神經網路試波函數來模擬分子電子基態與激發態的方法。它求解分子哈密頓量，進而能夠對這些波函數進行變分優化，以精確建模分子行為。

工作原理

該軟體基於 JAX 與 Haiku 建構，使用深度學習的波函數形式（ansatze）來表示波函數。它採用基於懲罰的方法來優化激發態，並使用自旋懲罰來針對特定的自旋區。此外，它還支援幾何可轉移性，意味著單一神經網路可透過固定資料集或動態採樣，在多個分子構型上進行訓練。

適用對象

專為需要執行分子電子態變分蒙特卡洛模擬的計算化學與量子化學研究人員及科學家設計。

主要亮點

• 支援廣泛的神經網路波函數形式，包括 FermiNet、PauliNet、Psiformer、DeepErwin 與 LapNet。
• 實現跨多種原子構型的幾何可轉移性，用於優化。
• 可模擬基態與激發電子態。
• 與 JAX 集成，支援在 CPU 與 GPU 上進行高效能計算。