学习量子算符的局部等变表示
原文中文，约600字，阅读约需2分钟。发表于：。利用一种新型的深度学习模型 SLEM（Strictly Localized Equivariant Message-passing），可以高效地预测多个量子算符矩阵，提高了计算效率并在物理符号保持无损的情况下实现多体复杂依赖关系，并且能够开展大规模量子模拟研究。
本文提出了解决深度学习在物理系统中的关键挑战的理论和方法论框架，通过构造SO(3)不变量作为监督标签，指导学习高质量的SO(3)不变特征，并提出了基于梯度的机制将非线性表达能力合并到SO(3)等变表示中。在电子结构哈密顿量预测任务中展示了最先进的性能。
