AI首次解决量子物理学难题，DeepMind精确计算量子激发态，登Science
内容提要
谷歌DeepMind研究人员开发了一种准确计算量子系统激发态的新方法，名为NES-VMC。该方法将变分蒙特卡洛估计与神经网络ansatz相结合，能够准确计算分子的激发能量和振子强度。研究人员在各种系统上进行了测试，从单个原子到较大的分子，与现有方法相比取得了高精度。神经网络ansatz的灵活性和数学洞察力使得NES-VMC适用于广泛的量子系统，并能提高科学家对量子力学中具有挑战性问题的理解。
延伸解读
激发态计算为何困难
激发态是电子受激后进入的高能状态，其能量指纹对太阳能电池、LED、光合作用等技术至关重要。但激发电子本质上是量子的，位置不确定，只能用概率描述。传统方法如耦合簇在激发态上误差可达基态的数十倍，而现有神经网络方法在较大系统上精度不足，因此需要更强大的计算工具。
NES-VMC 方法的创新之处
NES-VMC 将变分蒙特卡洛与神经网络 ansatz 结合，无需自由参数和正交化惩罚项，通过将激发态问题转化为扩展系统的基态问题，并利用 ansatz 的函数形式自动保证激发态的线性独立性。该方法可计算任意可观测量，包括非对角期望如跃迁偶极矩，且累积可观测量无需额外成本。
基准测试中的精度表现
在从第一行原子到苯大小分子的测试中，NES-VMC 与实验数据高度吻合。在碳二聚体上，平均绝对误差仅 4 meV，比之前黄金标准准确五倍；在乙烯中正确描述了圆锥交叉点；对丁二烯等争议系统，Psiformer 达到化学精度，并与最新 DMC 和 CASPT3 结果接近，验证了其数学正确性和神经网络表示能力。
未来应用与局限
NES-VMC 适用于任何量子哈密顿量和 ansatz，有望推动振动电子耦合、光学带隙、核物理等领域的研究。但当前研究仅考虑分子系统的电子激发和神经网络 ansatz，尚未扩展到其他类型。未来需进一步探索其在多体量子力学最具挑战性问题上的应用。
Q&A
什么是DeepMind开发的NES-VMC方法？
NES-VMC是一种结合变分蒙特卡洛估计和神经网络ansatz的新方法，用于准确计算量子系统的激发态。
NES-VMC方法在计算激发态时有什么优势？
NES-VMC方法无需自由参数和正交化，能够将问题转化为寻找扩展系统基态的问题，从而提高计算精度。
研究人员如何验证NES-VMC方法的准确性？
研究人员在多个基准系统上测试了NES-VMC方法，结果与实验数据非常接近，显示出高精度。
NES-VMC方法适用于哪些量子系统？
NES-VMC方法适用于广泛的量子系统，包括从单个原子到较大分子的多种系统。
激发态在物理学和化学中有什么重要性？
激发态在物理学和化学中非常重要，因为它们影响分子和材料的特性，如光合作用和太阳能电池的性能。
未来NES-VMC方法可能应用于哪些领域？
未来，NES-VMC方法可能应用于多体量子力学中的挑战性问题，帮助科学家更好地理解振动电子耦合和光学带隙等现象。
