高级搜索

凝聚态多体电子结构的深度学习计算

, 

downloadPDF

上一篇

下一篇

王子晨, 陈基. 2026: 凝聚态多体电子结构的深度学习计算, 物理, 55(5): 313-324. doi: 10.7693/wl20260502
引用本文: 王子晨, 陈基. 2026: 凝聚态多体电子结构的深度学习计算, 物理, 55(5): 313-324. doi: 10.7693/wl20260502
shu
WANG Zi-Chen, CHEN Ji. 2026: Deep learning calculation for many-body electronic structure in condensed matter, Physics, 55(5): 313-324. doi: 10.7693/wl20260502
Citation: WANG Zi-Chen, CHEN Ji. 2026: Deep learning calculation for many-body electronic structure in condensed matter, Physics, 55(5): 313-324. doi: 10.7693/wl20260502
shu

凝聚态多体电子结构的深度学习计算

  • 1 北京大学物理学院 北京 100871;

  • 2 北京大学轻元素量子材料交叉平台 轻元素先进材料研究中心 北京 100871;

  • 3 北京大学人工微结构和介观物理全国重点实验室 纳光电子前沿科学中心 北京 100871

    • 通讯作者: 王子晨，email:wzc2001@stu.pku.edu.cn;  陈基，email:ji.chen@pku.edu.cn
  • 基金项目:

    国家自然科学基金(批准号：12334003)资助项目

Deep learning calculation for many-body electronic structure in condensed matter

  • 1 School of Physics, Peking University, Beijing 100871, China;

  • 2 Research Center for Light-Element Advanced Materials, Interdisciplinary Institute of Light-Element Quantum Materials, Peking University, Beijing 100871, China;

  • 3 Frontiers Science Center for Nano-Optoelectronics, State Key Laboratory of Artificial Microstructure and Mesoscopic Physics, Peking University, Beijing 100871, China

    • Corresponding authors: WANG Zi-Chen ;  CHEN Ji

  • 摘要: 精确求解多体电子结构是理解与预测材料物理性质的关键科学挑战，而传统计算方法长期受限于精度与效率的矛盾。文章介绍了一种融合深度学习与量子蒙特卡罗的计算方法。该方法利用深度神经网络构建高表达能力、可系统性改进的多体波函数拟设，并结合变分蒙特卡罗方法进行优化，以逼近多电子薛定谔方程的精确解。研究结果表明，该方法不仅能够统一、高精度地处理分子和周期性固体中的各类物理情景，在处理强关联拓扑物态方面也展现出独特优势。深度学习量子蒙特卡罗方法为深入理解凝聚态现象、高精度预测材料性质，乃至发现新奇量子物态提供了一个强有力的手段，开辟了凝聚态物理研究的新方向。
    Abstract: The accurate solution of the many-body electronic structure problem is a key scientific challenge for understanding and predicting the physical properties of materials. Traditional computational methods, however, have long been constrained by a fundamental trade-off between accuracy and efficiency. This review introduces an emerging first-principles computational approach that integrates deep learning with quantum Monte Carlo methods. Its core principle is to construct highly expressive and systematically improvable many-body wavefunction ansatzes using deep neural networks. These wavefunctions are then optimized via the variational Monte Carlo method to approximate the exact solution of the many-electron Schrödinger equation. Results have shown that this method can treat diverse physical systems, including both molecules and periodic solids, in a unified and highly accurate manner. Moreover, it demonstrates unique advantages in tackling strongly correlated topological phases. The deep learning quantum Monte Carlo method provides a powerful and versatile approach for understanding condensed matter phenomena, predicting material properties with high-precision, and discovering novel quantum phases of matter, thus opening a new avenue in condensed matter physics.
  • 加载中
  • Musielak Z E，Quarles B. Rep. Prog. Phys.，2014，77:065901
    Mahan G D. Many-Particle Physics，3rd. Springer，2000
    Anderson P W. Science，1972，177:393
    Kohn W. Rev. Mod. Phys.，1999，71:1253
    Stormer H L，Tsui D C，Gossard A C. Rev. Mod. Phys.，1999，71: S298
    Carleo G，Troyer M. Science，2017，355:602
    Luo D，Clark B K. Phys. Rev. Lett.，2019，122:226401
    Han J，Zhang L et al. J. Comput. Phys.，2019，399:108929
    Choo K，Mezzacapo A，Carleo G. Nat. Commun.，2020，11:2368
    Pfau D，Spencer J S，Matthews A G et al. Phys. Rev. Res.，2020， 2:033429
    Hermann J，Schätzle Z，Noé F. Nat. Chem.，2020，12:891
    Spencer J S，Pfau D，Botev A et al. 2020，arXiv:2011.07125
    Li X，Li Z，Chen J. Nat. Commun.，2022，13:7895
    Ren W，Fu W，Wu X et al. Nat. Commun.，2023，14:1860
    Shang H，Guo C，Wu Y et al. 2023，arXiv:2307.09343
    von Glehn I，Spencer J S，Pfau D. 2022，arXiv:2211.13672
    Li R，Ye H，Jiang D et al. Nat. Mach. Intell.，2024，6:209
    Jiang D，Wen X，Chen Y et al. 2025，arXiv:2508.02570
    Hermann J，Spencer J，Choo K et al. Nat. Rev. Chem.，2023， 7:692
    Tang Z，Chen H，Li Y et al. Nat. Comput. Sci.，2025，1–14
    Qian Y，Li X，Li Z et al. WIREs Comput. Mol. Sci.，2025，15: e70015
    Hartree D R. Proc. Camb. Phil. Soc.，1928，24:89
    Slater J C. Phys. Rev.，1929，34:1293
    Fock V. Zeitschrift für Physik，1930，61:126
    Jastrow R. Phys. Rev.，1955，98:1479
    Feynman R P，Cohen M. Phys. Rev.，1956，102:1189
    McMillan W L. Phys. Rev.，1965，138:A442
    Sorella S. Phys. Rev. Lett.，1998，80:4558
    Martens J，Grosse R. International Conference on Machine Learning，2015，37:2408
    Lyakh D I，Musiał M，Lotrich V F et al. Chem. Rev.，2012， 112:182
    Gdanitz R J. Chem. Phys. Lett.，1998，283:253
    Choo K，Carleo G，Regnault N et al. Phys. Rev. Lett.，2018， 121:167204
    Entwistle M T，Schätzle Z，Erdman P A et al. Nat. Commun.， 2023，14:274
    Li Z，Lu Z，Li R et al. Nat. Comput. Sci.，2024，4:910
    Pfau D，Axelrod S，Sutterud H et al. Science，2024，385: eadn0137
    Li R，Liu Y，Jiang D et al. 2025，arXiv:2511.01671
    Qian Y，Fu W，Ren W et al. J. Chem. Phys.，2022，157:164104
    Qian Y，Li X，Chen J. Faraday Discussions，2024，254:529
    Lai J，Kan B，Wu Y et al. J. Chem. Theory Comput.，2024，20: 9478
    Scherbela M，Reisenhofer R，Gerard L et al. Nat. Comput. Sci.， 2022，2:331
    Gao N，Günnemann S. 2021，arXiv:2110.05064
    Gao N，Günnemann S. 2022，arXiv:2205.14962
    Pescia G，Han J，Lovato A et al. Phys. Rev. Res.，2022，4:023138
    Fu L，Wu Y，Shang H et al. J. Chem. Theory Comput.，2024，20: 6218
    Chen H，Ren W，Li X et al. Phys. Rev. B，2025，111:245152
    Motta M，Ceperley D M，Chan G K L et al. Phys. Rev. X，2017， 7:031059
    Dappe Y，Oszwaldowski R，Pou P et al. Phys. Rev. B，2006，73: 235124
    Nolan S，Gillan M，Alfè D et al. Phys. Rev. B，2009，80:165109
    Cassella G，Sutterud H，Azadi S et al. Phys. Rev. Lett.，2023， 130:036401
    Cheng L，Szabó P B，Schätzle Z et al. J. Chem. Phys.，2025， 162:034120
    Li X，Qian Y，Chen J. Phys. Rev. Lett.，2024，132:176401
    Pescia G，Nys J，Kim J et al. Phys. Rev. B，2024，110:035108
    Smith C，Chen Y，Levy R et al. Phys. Rev. Lett.，2024，133: 266504
    Li X，Qian Y，Ren W et al. Commun. Phys.，2025，8:364
    Geier M，Nazaryan K，Zaklama T et al. 2025，arXiv:2502.05383
    Sodemann I，MacDonald A H. Phys. Rev. B，2013，87:245425
    Qian Y，Zhao T，Zhang J et al. Phys. Rev. Lett.，2025，134: 176503
    Teng Y，Dai D D，Fu L. Phys. Rev. B，2025，111:205117
    Jain J K. Composite Fermions. Cambridge University Press，2009
    Morf R，d’Ambrumenil N，Halperin B. Phys. Rev. B，1986，34: 3037
    Reddy A P，Alsallom F，Zhang Y et al. Phys. Rev. B，2023，108: 085117
    Wang C，Zhang X W，Liu X et al. Phys. Rev. Lett.，2024，132: 036501
    Yu J，Herzog-Arbeitman J，Wang M et al. Phys. Rev. B，2024， 109:045147
    Reddy A P，Fu L. Phys. Rev. B，2023，108:245159
    Abouelkomsan A，Reddy A P，Fu L et al. Phys. Rev. B，2024， 109:L121107
    Xu C，Li J，Xu Y et al. Proc. Natl. Acad. Sci. USA，2024，121: e2316749121
    Li X，Chen Y，Li B et al. 2025，arXiv:2503.11756
    Luo D，Zaklama T，Fu L. 2025，arXiv:2503.13585
  • 加载中
计量
  • 文章访问数:  448
  • HTML全文浏览数:  448
  • PDF下载数:  21
  • 施引文献:  0
出版历程
  • 收稿日期:  2026-02-09

凝聚态多体电子结构的深度学习计算

    通讯作者: 王子晨，email:wzc2001@stu.pku.edu.cn; 
    通讯作者: 陈基，email:ji.chen@pku.edu.cn
  • 1 北京大学物理学院 北京 100871;
  • 2 北京大学轻元素量子材料交叉平台 轻元素先进材料研究中心 北京 100871;
  • 3 北京大学人工微结构和介观物理全国重点实验室 纳光电子前沿科学中心 北京 100871
  • 收稿日期:  2026-02-09
基金项目: 

摘要: 精确求解多体电子结构是理解与预测材料物理性质的关键科学挑战，而传统计算方法长期受限于精度与效率的矛盾。文章介绍了一种融合深度学习与量子蒙特卡罗的计算方法。该方法利用深度神经网络构建高表达能力、可系统性改进的多体波函数拟设，并结合变分蒙特卡罗方法进行优化，以逼近多电子薛定谔方程的精确解。研究结果表明，该方法不仅能够统一、高精度地处理分子和周期性固体中的各类物理情景，在处理强关联拓扑物态方面也展现出独特优势。深度学习量子蒙特卡罗方法为深入理解凝聚态现象、高精度预测材料性质，乃至发现新奇量子物态提供了一个强有力的手段，开辟了凝聚态物理研究的新方向。

English Abstract

    全文HTML

参考文献 (68)

目录

/

返回文章
返回