机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

本研究提出了一种量子机器学习模型，能够准确预测复杂分子的激发态性质，结合了量子神经网络与传统神经网络，减少资源消耗。

本研究提出了一种新型相无关耦合项$ abla^2$，有效解决激发态分子动力学模拟中的不连续性问题，显著提升机器学习模型的稳定性和准确性，展现了广泛的应用潜力。

本文介绍了一种变分蒙特卡罗算法，用于估计量子系统的最低激发态。该算法适用于利用神经网络作为变分试探态的电子系统，并能计算任意观测值的期望值。通过将该方法与其他试探态相结合，可以在大分子上准确恢复垂直激发能和振子强度。这项技术对于原子、核能和凝聚态物理等领域的变分量子蒙特卡罗应用具有重要意义。