基于迁移学习的电子-核反应截面研究
原文中文，约1500字，阅读约需4分钟。
📝
内容提要
本文探讨了深度神经网络在量子化学中的应用，包括梯度下降学习网络、费米神经网络模拟电子系统和生成对抗网络模拟粒子散射。研究表明，神经网络能够提高模拟精度，优化计算成本，并在不同分子上实现高精度波函数生成。
❓
Q&A
深度神经网络如何提高量子化学模拟的精度？
深度神经网络通过替代密度泛函理论中的交换-相关泛函，提高了模拟精度，能够处理新键和原子的化合物。
费米神经网络的优势是什么？
费米神经网络在处理多电子系统波函数仿真时，精度优于其他量子化学方法，能够直接优化难以处理的波函数。
生成对抗网络在电子-质子散射中的应用是什么？
生成对抗网络被用于模拟电子-质子散射中的粒子产生，成功再现电子动量分布，避免了基础粒子动力学的理论假设。
如何结合神经网络和Monte Carlo方法优化计算成本？
通过引入权重共享约束，神经网络模型的95%权重可以在不同分子几何图案之间使用，从而加速优化计算成本。
KineticNet深度神经网络的功能是什么？
KineticNet用于建模动能能量，能够通过分子平面网格预测动能能量函数，达到化学准确性。
机器学习如何预测硅原子在单层碳原子上的过渡动力学？
机器学习方法利用STEM收集的数据，处理后生成符号表示，使用神经网络预测过渡概率，引导硅原子移动到目标位置。
🏷️
