FermiNet：从第一性原理出发的量子物理与化学
内容提要
研究人员使用FermiNet神经网络架构解决了量子力学的基本方程，为实际系统提供准确的计算能力。这项工作对于理解化学键和原子能量等问题具有重要意义，并有望在计算机模拟中为新材料和化学合成提供实用性应用。研究人员希望通过开源代码和人工智能研究成果，解决基础科学问题。
延伸解读
FermiNet 的核心创新：深度神经网络表示波函数
传统量子化学方法用 Slater 行列式表示波函数，但真实系统的波函数更复杂，需要大量行列式线性组合。FermiNet 用深度神经网络直接表示反对称波函数，每个电子的信息流通过层间交互，使网络具有通用函数逼近能力。这克服了传统方法在表示效率上的局限，为高精度计算提供了新途径。
精度与效率的权衡：FermiNet 的实测表现
在小型分子上，FermiNet 比传统变分量子蒙特卡洛方法精度更高，误差减半以上。对于较大分子如 bicyclobutane（30 个电子），它仍能捕获 97% 以上的相关能，而传统高精度方法随电子数指数增长，难以处理。FermiNet 在保持可扩展性的同时，显著提升了精度，为中等规模分子计算提供了实用工具。
开源与未来方向：从基态到激发态
研究团队开源了 FermiNet 代码，供计算物理和化学社区使用。2024 年，他们在激发态研究上取得新突破，并发布了基于自注意力机制的 Psiformer 架构，目前仍是最准确的 AI 方法。这表明 FermiNet 不仅解决基态问题，还在向更复杂的光与物质相互作用扩展，有望推动新材料和化学合成的计算机模拟。
Q&A
FermiNet是什么？
FermiNet是一种神经网络架构，用于解决量子力学的基本方程，特别适合模拟大量电子的量子状态。
FermiNet如何提高量子计算的精度？
FermiNet通过深度神经网络有效表示复杂的高维概率分布，结合变分量子蒙特卡洛方法，显著提高了计算精度。
FermiNet在处理大分子时的表现如何？
FermiNet在处理大分子时仍表现出色，能够捕获高达97%的相关能量，超越了传统计算方法。
FermiNet的开源代码有什么意义？
开源代码使计算物理和化学社区能够基于FermiNet的研究成果，解决更广泛的基础科学问题。
量子力学的基本方程有哪些？
量子力学的基本方程包括薛定谔方程，它描述了粒子在量子尺度上的行为。
FermiNet与传统计算方法相比有什么优势？
FermiNet提供了一种新的高效表示方法，克服了传统方法在准确性和效率之间的权衡，尤其在处理复杂系统时表现更佳。
