https://www.science.org/doi/abs/10.1126/science.adn0137
https://deepmind.google/discover/blog/ferminet-quantum-physics-and-chemistry-from-first-principles/
當化合物受到能量刺激時，電子進入激發態。這影響了從太陽能電池板和LED到半導體和光
催化劑的性能，還涉光合作用和視覺等重要過程。然而這種特徵極難建模，因為激發電子
是量子的，它們在分子的位置永遠不確定，只能用機率來表示。準確計算激發態能量比計
算基態能量困難得多。即使是基態化學的黃金標準方法如耦合簇也有數十倍的誤差。
Google DeepMind為此發表了費米子神經網路-FermiNet以預測分子的能量。
DeepMind提出了一種透過變分蒙特卡羅估計量子系統激發態的演算法，該演算法沒有自由
參數也不需要對狀態進行正交化，而是將問題轉換為尋找擴展系統基態的問題。可以計算
任意可觀測量，包括非對角期望，例如躍遷偶極矩。此方法特別適用於神經網路分析，透
過將此方法與FermiNet和Psiformer ansatz結合，可以準確地恢復一系列分子的激發能量
和振盪器強度。研究員將神經網路ansatze的靈活性與數學洞察力相結合，使其能夠將尋找
系統激發態的問題轉換為尋找擴展系統基態的問題，然後使用標準VMC來解決。激發態的線
性獨立性是透過ansatz的函數形式自動施加的。每個激發態能量和其他可觀測量都是透過
將單態ansatze上的漢密爾頓期望矩陣對角化得到的，這些可觀測量可累積而無需額外成本。
測試結果
AI在碳二聚體實現了4meV的平均絕對誤差，比過去黃金標準計算準確度高出五倍。
在乙烯上，AI正確描述了扭曲分子的圓錐交叉點，並且與高精度多參考組態相互作用MR-CI
結果高度一致。
在苯上，和其他方法相比，AI與理論最佳估計值具有更好的一致性。這表明神經網路可以
準確地表示分子激發態。
論文作者David Pfau:"這是深度學習首次準確解決量子物理學中一些最困難的問題。希望
朝著深度學習的通用量子模擬邁出新的一步。"