https://www.nature.com/articles/s41557-020-0544-y
薛丁格方程式可用來預測出分子的物理化學性質，其求解在化學、材料科學等領域都有
應用價值。然而到了今天，氫原子求解還是很困難，超過兩個電子就很難確保準確度。
柏林自由大學團隊開發了名為PauliNet的人工智慧，使用深度神經網路求薛丁格方程式
基態解，達到了前所未有的精確度和效率。
他們用變分量子蒙地卡羅法來訓練AI，這對大分子來說能縮放和並行化，其精確性只受
擬設靈活性限制。團隊用深層神經網路表示電子波函數，系統內建多參照哈特里－福克
解決方案基準，
他們讓人工神經網路學習電子如何圍繞原子核定位的複雜模式，同時整合電子波函數的
所有物理特性(如包立不相容原理)到系統中。
系統對薛丁格方程學習的核心方法是波函數擬設，它結合了電子波函數斯萊特行列式、
多行列式展開、回流變換、Jastro 因子、尖點條件以及能夠編碼異質分子系統中電子運
動複雜特徵的深層神經網路。
結果顯示，在氫分子、氫化鋰、鈹、硼和線性氫鏈等五種基態能量的求解中，PauliNet
相較於傳統工具如SD-VMC、SD-DMC及 DeepWF均表現出更高的準確度。與其他量子化學方
法相比，處理環丁二烯過渡態能量時，其準確性達到一致的同時，也能夠保持較高的效
率。
PauliNet為分子材料科學提供新的思路，研究團隊相信它可以影響量子化學的未來。