NucleoNet ist ein neuer Ansatz im neuronalen Variations-Monte-Carlo (VMC) zur Lösung der elektronischen Schrödinger-Gleichung. Übliche neuronale Wellenfunktionen werden für eine einzelne Kerngeometrie optimiert, sodass zur Berechnung einer Potenzialfläche viele separate Rechnungen nötig sind. NucleoNet führt einen kernbewussten Determinanten-Ansatz ein, bei dem Elektronen und Kerne ein vereintes Partikelset bilden, das durch ein gemeinsames Elektron-Kern-Rückgrat propagiert wird. Dabei werden Ein- und Zweiteilchen-Repräsentationen gemeinsam entwickelt. Die Kerne tragen gelernte Repräsentationen, die die Orbitalkonstruktion konditionieren, während die Antisymmetrie ausschließlich durch elektronische Determinanten erzwungen wird.
Bei Gleichgewichts-Benchmarks kleiner Moleküle erreicht NucleoNet eine mit etablierten neuronalen Wellenfunktionen vergleichbare Genauigkeit, benötigt jedoch deutlich weniger Parameter. Ein einziges, gemeinsam über Geometrien optimiertes Modell beschreibt die $N_2$-Dissoziationskurve, die Li-Verschiebung in LiCN sowie die Minimumenergiepfade der Bindungsdissoziation von Ethan und Formamid. Ein Training mit nur wenigen Geometrien verallgemeinert auf ungesehene Geometrien für $N_2$ und LiCN. Ablationsstudien zeigen, dass die Kern-Streams diese Interpolation wesentlich verbessern. Die Ergebnisse belegen, dass eine kompakte Wellenfunktion mit gemeinsam entwickelten Kernrepräsentationen die Geometrien eines molekularen Systems mit einem einzigen Parametersatz beschreiben kann.
Hintergrund: Neuronale Variations-Monte-Carlo-Methoden approximieren die Wellenfunktion durch neuronale Netze und ermöglichen hochgenaue Lösungen der Schrödinger-Gleichung, sind aber oft auf eine feste Kerngeometrie beschränkt.
📄 Quelle
📄 Original-Publikation 📄 Original-Publikation 📄 Original-Publikation
🧪 Verwandte Rechner
Mit diesen interaktiven Werkzeugen können Sie das Thema vertiefen:
🔬 ph-rechner → 🔬 stoechiometrie-rechner → 🔬 redox-potenzial-rechner → 🔬 bindungspotential →