高级搜索

面向分子与材料体系的生成式神经网络量子态方法

, 

downloadPDF

上一篇

下一篇

商红慧, 杨金龙. 2026: 面向分子与材料体系的生成式神经网络量子态方法, 物理, 55(5): 325-336. doi: 10.7693/wl20260503
引用本文: 商红慧, 杨金龙. 2026: 面向分子与材料体系的生成式神经网络量子态方法, 物理, 55(5): 325-336. doi: 10.7693/wl20260503
shu
SHANG Hong-Hui, YANG Jin-Long. 2026: A generative neural network quantum state approach for molecular and material systems, Physics, 55(5): 325-336. doi: 10.7693/wl20260503
Citation: SHANG Hong-Hui, YANG Jin-Long. 2026: A generative neural network quantum state approach for molecular and material systems, Physics, 55(5): 325-336. doi: 10.7693/wl20260503
shu

面向分子与材料体系的生成式神经网络量子态方法

  • 1 中国科学技术大学 精准智能化学全国重点实验室 合肥 230026;

  • 2 中国科学技术大学 合肥国家实验室 合肥 230088

    • 通讯作者: 商红慧，email:shh@ustc.edu.cn;  杨金龙，email:jlyang@ustc.edu.cn

A generative neural network quantum state approach for molecular and material systems

  • 1 State Key Laboratory of Precision and Intelligent Chemistry, University of Science and Technology of China, Hefei 230026, China;

  • 2 Hefei National Laboratory, University of Science and Technology of China, Hefei 230088, China

    • Corresponding authors: SHANG Hong-Hui ;  YANG Jin-Long

  • 摘要: 精确求解多电子薛定谔方程是现代科学的核心挑战之一，其内在的指数级复杂性长期以来阻碍了对复杂分子与材料体系的深入认识。近年来，以神经网络量子态为代表的人工智能方法为这一难题开辟了另一条可行路径。基于生成式Transformer架构的神经网络量子态方法——乾坤网络(QiankunNet)，通过将神经网络的表达能力与量子力学基本原理结合，在多个维度取得了进展。该方法不仅在基态能量计算精度上达到较高水平，更实现了系统性框架的拓展。实现了原子间力计算、周期性固体材料模拟、大规模并行计算优化，以及与量子嵌入理论和张量网络等方法的结合。文章系统阐述神经网络量子态方法的发展历程，详细介绍乾坤网络的理论基础与技术发展，深入分析其在分子体系、固体材料和强关联系统中的应用成果，并展望该领域在跨学科研究中的潜在价值与未来发展方向。
    Abstract: Accurate solution of the many-electron Schrödinger equation is one of the central challenges of modern science, as its inherent exponential complexity has long constrained our understanding of complex molecular and material systems. In recent years, artificial intelligence methods, particularly those based on neural network quantum states, have opened up a viable alternative path to address this problem. The method based on the generative Transformer architecture, known as QiankunNet, combines the expressive power of neural networks with the fundamental principles of quantum mechanics, and has made progress across multiple dimensions. This method has not only achieved high accuracy in ground-state energy calculations but also has substantially extended the systematic framework: it enables interatomic force calculations, simulations of periodic solid-state materials, optimization for large-scale parallel computing, and integration with methods such as quantum embedding theory and tensor networks. This article reviews the development of neural network quantum state methods, gives a detailed introduction to the theoretical foundations and technical advancements of QiankunNet, analyzes its successful applications in molecular systems, solid-state materials and strongly correlated systems, and discusses the potential value and future directions of this field in interdisciplinary research.
  • 加载中
  • Helgaker T，Jorgensen P，Olsen J. Molecular Electronic-Structure Theory. Wiley，2000
    Szabo A，Ostlund N S. Modern Quantum Chemistry:Introduction to Advanced Electronic Structure Theory. Dover Publications， 1996
    White S R. Phys. Rev. Lett.，1992，69(19):2863
    Olivares-Amaya R，Hu W，Nakatani N et al. J. Chem. Phys.， 2015，142(3):034102
    LeCun Y，Bengio Y，Hinton G. Nature，2015，521(7553):436
    Carleo G，Troyer M. Science，2017，355(6325):602
    Vaswani A，Shazeer N，Parmar N et al. Adv. Neural Inf. Process. Syst.，2017，30:5998
    Hermann J，Schätzle Z，Noé F. Nat. Chem.，2020，12:891
    Pfau D，Spencer J S，Matthews A G G et al. Phys. Rev. Res.， 2020，2(3):033429
    Devlin J，Chang M W，Lee K et al. Proceedings of NAACLHLT，2019:4171
    Karniadakis G E，Kevrekidis I G，Lu L et al. Nat. Rev. Phys.， 2021，3:422
    Shang H，Guo C，Wu Y et al. Nat. Commun.，2025，16:8464
    Wu Y，Guo C，Fan Y et al. NNQS-Transformer:An Efficient and Scalable Neural Network Quantum States Approach for ab initio Quantum Chemistry. In:Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis，SC′23，New York，2023
    Fu L，Wu Y，Shang H et al. J. Chem. Theor. Comput.，2024，20(14):6218
    Ma H，Shang H，Yang J. npj Comput. Mater.，2024，10(1):220
    Lai J，Kan B，Wu Y et al. J. Chem. Theor. Comput.，2024，20(21):9478
    Kan B，Tian Y，Wu Y et al. J. Chem. Theor. Comput，2025，21(7):3426
    Wu Y，Cao W，Zhao J et al. IEEE Trans. Parallel Distrib. Syst.， 2025，36(7):1431
  • 加载中
计量
  • 文章访问数:  275
  • HTML全文浏览数:  275
  • PDF下载数:  9
  • 施引文献:  0
出版历程
  • 收稿日期:  2026-02-15

面向分子与材料体系的生成式神经网络量子态方法

    通讯作者: 商红慧，email:shh@ustc.edu.cn; 
    通讯作者: 杨金龙，email:jlyang@ustc.edu.cn
  • 1 中国科学技术大学 精准智能化学全国重点实验室 合肥 230026;
  • 2 中国科学技术大学 合肥国家实验室 合肥 230088
  • 收稿日期:  2026-02-15

摘要: 精确求解多电子薛定谔方程是现代科学的核心挑战之一，其内在的指数级复杂性长期以来阻碍了对复杂分子与材料体系的深入认识。近年来，以神经网络量子态为代表的人工智能方法为这一难题开辟了另一条可行路径。基于生成式Transformer架构的神经网络量子态方法——乾坤网络(QiankunNet)，通过将神经网络的表达能力与量子力学基本原理结合，在多个维度取得了进展。该方法不仅在基态能量计算精度上达到较高水平，更实现了系统性框架的拓展。实现了原子间力计算、周期性固体材料模拟、大规模并行计算优化，以及与量子嵌入理论和张量网络等方法的结合。文章系统阐述神经网络量子态方法的发展历程，详细介绍乾坤网络的理论基础与技术发展，深入分析其在分子体系、固体材料和强关联系统中的应用成果，并展望该领域在跨学科研究中的潜在价值与未来发展方向。

English Abstract

    全文HTML

参考文献 (18)

目录

/

返回文章
返回