


Neue Forschungsergebnisse zeigen das Potenzial von Quanten-Monte-Carlo, neuronale Netze bei der Überwindung von Beschränkungen zu übertreffen, und eine Unterausgabe von Nature beschreibt die neuesten Fortschritte
Nach vier Monaten wurde eine weitere Gemeinschaftsarbeit zwischen ByteDance Research und Chen Jis Forschungsgruppe an der School of Physics der Peking-Universität in internationalen Top-Publikationen Nature Communications veröffentlicht: Der Artikel „Towards the Ground State of Molecules via Diffusion Monte Carlo über neuronale Netze 》Die Kombination des neuronalen Netzes mit der Diffusions-Monte-Carlo-Methode verbessert die Rechengenauigkeit, Effizienz und Systemskala der neuronalen Netzmethode bei quantenchemischen Aufgaben erheblich und wird zum neuesten SOTA.
- Link zum Papier:
https://www.nature.com/articles/s41467-023-37609-3 - Code-Adresse:
https://github.com/bytedance/jaqmc
Der Autor wendet die auf einem neuronalen Netzwerk basierende Testwellenfunktion auf die Diffusions-Monte-Carlo-Methode der festen Knotenoberfläche an ( Diffusion Monte Carlo oder DMC), wird zur genauen Berechnung atomarer und molekularer Systeme mit unterschiedlichen elektronischen Eigenschaften verwendet.
Die Diffusions-Monte-Carlo-Methode ist eine der am häufigsten verwendeten Methoden auf dem Gebiet der Quantenchemie, um die Grundzustandsenergie von Molekülen und Materialien genau zu berechnen. Durch die Kombination mit der Diffusions-Monte-Carlo-Methode verbesserten die Autoren die Rechengenauigkeit und Effizienz der SOTA-Methode des neuronalen Netzwerks in der Quantenchemie erheblich. Darüber hinaus schlug der Autor auch eine Extrapolationsmethode vor, die auf empirischen linearen Beziehungen basiert und die Berechnung der molekularen Bindungsenergie erheblich verbessert. Insgesamt dient dieser Rechenrahmen als hochpräzise Methode zur Lösung von Quanten-Vielteilchenproblemen und stellt ein leistungsfähigeres Werkzeug für ein tieferes Verständnis der Eigenschaften chemischer Moleküle dar.
Quanten-Monte-Carlo-Methode basierend auf neuronalen NetzwerkenSeit 2018 haben mehrere Forschungsgruppen neuronale Netzwerke auf die Variations-Monte-Carlo-Methode (Variational Monte Carlo oder VMC) [1,2,3] angewendet Mit Hilfe der leistungsstarken Expressionsfähigkeit neuronaler Netze wird eine genauere molekulare Grundzustandsenergie erhalten. Als diese Arbeit im Jahr 2022 veröffentlicht wurde, war die SOTA-Arbeit in der auf neuronalen Netzwerken basierenden Variations-Monte-Carlo-Methode FermiNet [2], die 2019 von DeepMind vorgeschlagen wurde und sehr genaue Ergebnisse auf einem kleineren System erzielen konnte. Die Genauigkeit der Variations-Monte-Carlo-Methode ist jedoch durch die Ausdrucksfähigkeit des neuronalen Netzwerks begrenzt, und beim Umgang mit größeren Systemen treten immer offensichtlichere Genauigkeitsprobleme auf. Darüber hinaus konvergiert diese Art von Methode bei größeren Systemen sehr langsam, was eine große Herausforderung für die Rechenressourcen darstellt.
Als einer der klassischen hochpräzisen Algorithmen auf dem Gebiet der Quantenchemie weist die Diffusions-Monte-Carlo-Methode gute Eigenschaften wie hohe Genauigkeit, gute Parallelisierbarkeit und Eignung für groß angelegte Berechnungen auf. Darüber hinaus kann Diffusions-Monte-Carlo die Einschränkungen der Ausdrucksfähigkeit neuronaler Netze durchbrechen und mithilfe von Projektionsalgorithmen die Genauigkeit der Variations-Monte-Carlo-Methode übertreffen.
In dieser Arbeit kombiniert der Autor das neuronale Netzwerk von SOTA (FermiNet) als Testwellenfunktion mit der Diffusions-Monte-Carlo-Methode. Die neue Berechnungsmethode verbessert die Genauigkeit deutlich und reduziert die Anzahl der erforderlichen Berechnungsschritte im Vergleich zu FermiNet. Die in dieser Arbeit entworfene und implementierte Diffusions-Monte-Carlo-Software ist für neuronale Netzwerke, GPUs und Parallelen geeignet. Sie kann mit einer Vielzahl neuronaler Netzwerkwellenfunktionen kombiniert werden, um ihre Genauigkeit und Effizienz automatisch zu verbessern. 1. Atome Die Verwendung unterliegt ebenfalls bestimmten Einschränkungen. Um dieses Szenario zu simulieren, verwendeten die Autoren nur zwei Schichten neuronaler Netze, um die zweite und dritte Atomreihe zu untersuchen. Die Berechnungsergebnisse zeigen, dass mit zunehmender Systemgröße die Genauigkeit der Variations-Monte-Carlo-Methode immer schlechter wird, während die Genauigkeitsverbesserung durch die Diffusions-Monte-Carlo-Methode immer offensichtlicher wird.
2
Der Autor verifizierte auch die Wirksamkeit der auf einem neuronalen Netzwerk basierenden Diffusions-Monte-Carlo-Methode an einer Reihe molekularer Systeme, darunter Stickstoffmoleküle, Cyclobutadien und Doppelwassermoleküle. Auf allen getesteten Systemen wurden deutliche Verbesserungen der Rechengenauigkeit beobachtet. 3. Benzol-Ring und Diphenyl-Ring Elektronen oder weniger Kleine Moleküle. Diese Arbeit wendet die Wellenfunktionsmethode des neuronalen Netzwerks erstmals auf Systeme mit 42 bis 84 Elektronen an, nämlich Benzolringe und Biphenylringe. Die Berechnungsergebnisse zeigen, dass die Diffusions-Monte-Carlo-Methode hinsichtlich der Genauigkeit deutlich besser ist als die Variations-Monte-Carlo-Methode und mit einer Größenordnung weniger Berechnungsschritten die gleiche oder eine bessere Genauigkeit erreichen kann.
4. Lineare Beziehung und Extrapolationsmethode
Als der Autor die Energie untersuchte, die verschiedenen Trainingsstadien des neuronalen Netzwerks entspricht, wurden in vielen Systemen Variationen festgestellt Die Berechnung Die Ergebnisse von Monte Carlo und Diffusion Monte Carlo stehen in einem empirischen linearen Zusammenhang (linke Abbildung unten). Die Verwendung dieser linearen Beziehung zur Extrapolation der Dissoziationsenergieberechnung des Biphenylrings verbesserte die Berechnungsgenauigkeit erheblich und lieferte Ergebnisse, die mit chemischen Experimenten übereinstimmten (rechtes Bild unten).
Fazit und AusblickDiese Arbeit zeigt, dass die auf neuronalen Netzen basierende Diffusions-Monte-Carlo-Methode der Variations-Monte-Carlo-Methode sowohl hinsichtlich Genauigkeit als auch Effizienz überlegen ist. Der Open-Source-Monte-Carlo-Code des Autors kann schnell mit den ständig innovativen neuronalen Netzen [4,5] im Bereich der Quantenchemie kombiniert werden, um die Forschungsgemeinschaft zu stärken. Darüber hinaus kann die Diffusions-Monte-Carlo-Methode auch mit einer Reihe von Methoden wie periodischen neuronalen Netzen [6] und neuronalen Netzen mit Pseudopotentialen [7] kombiniert werden, die sich mit realen Festkörpern befassen, um die Recheneffekte bei entsprechenden Aufgaben zu verbessern.
Das obige ist der detaillierte Inhalt vonNeue Forschungsergebnisse zeigen das Potenzial von Quanten-Monte-Carlo, neuronale Netze bei der Überwindung von Beschränkungen zu übertreffen, und eine Unterausgabe von Nature beschreibt die neuesten Fortschritte. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen

WORD ist ein leistungsstarkes Textverarbeitungsprogramm, mit dem wir verschiedene Texte in Excel bearbeiten können. Wir beherrschen die Berechnungsmethoden der Addition, Subtraktion und Multiplikatoren. Wie subtrahiere ich den Multiplikator? Kann ich ihn nur mit einem Taschenrechner berechnen? Die Antwort ist natürlich nein, WORD kann das auch. Heute werde ich Ihnen beibringen, wie Sie mit Formeln grundlegende Operationen wie Addition, Subtraktion, Multiplikation und Division in Tabellen in Word-Dokumenten berechnen. Lassen Sie mich heute im Detail zeigen, wie man Addition, Subtraktion, Multiplikation und Division in einem WORD-Dokument berechnet. Schritt 1: Öffnen Sie ein WORD, klicken Sie in der Symbolleiste unter [Einfügen] auf [Tabelle] und fügen Sie eine Tabelle in das Dropdown-Menü ein.

Die allgemeine Matrixmultiplikation (GEMM) ist ein wesentlicher Bestandteil vieler Anwendungen und Algorithmen und außerdem einer der wichtigen Indikatoren zur Bewertung der Leistung der Computerhardware. Eingehende Forschung und Optimierung der Implementierung von GEMM können uns helfen, Hochleistungsrechnen und die Beziehung zwischen Software- und Hardwaresystemen besser zu verstehen. In der Informatik kann eine effektive Optimierung von GEMM die Rechengeschwindigkeit erhöhen und Ressourcen einsparen, was für die Verbesserung der Gesamtleistung eines Computersystems von entscheidender Bedeutung ist. Ein tiefgreifendes Verständnis des Funktionsprinzips und der Optimierungsmethode von GEMM wird uns helfen, das Potenzial moderner Computerhardware besser zu nutzen und effizientere Lösungen für verschiedene komplexe Computeraufgaben bereitzustellen. Durch Optimierung der Leistung von GEMM

Um die Anzahl der Elemente in einer Liste mit der Funktion count() von Python zu zählen, sind bestimmte Codebeispiele erforderlich. Als leistungsstarke und leicht zu erlernende Programmiersprache bietet Python viele integrierte Funktionen zur Verarbeitung unterschiedlicher Datenstrukturen. Eine davon ist die Funktion count(), mit der sich die Anzahl der Elemente in einer Liste zählen lässt. In diesem Artikel erklären wir die Verwendung der count()-Funktion im Detail und stellen spezifische Codebeispiele bereit. Die Funktion count() ist eine in Python integrierte Funktion, mit der ein bestimmter Wert berechnet wird

In C# gibt es eine Math-Klassenbibliothek, die viele mathematische Funktionen enthält. Dazu gehört die Funktion Math.Pow, die Potenzen berechnet und uns dabei helfen kann, die Potenz einer bestimmten Zahl zu berechnen. Die Verwendung der Math.Pow-Funktion ist sehr einfach, Sie müssen lediglich die Basis und den Exponenten angeben. Die Syntax lautet wie folgt: Math.Pow(base,exponent); wobei base die Basis und exponent den Exponenten darstellt. Diese Funktion gibt ein Ergebnis vom Typ Double zurück, nämlich das Ergebnis der Leistungsberechnung. Lasst uns

Gegeben seien zwei Strings str_1 und str_2. Das Ziel besteht darin, mithilfe eines rekursiven Verfahrens die Anzahl der Vorkommen der Teilzeichenfolge str2 in der Zeichenfolge str1 zu zählen. Eine rekursive Funktion ist eine Funktion, die sich innerhalb ihrer Definition selbst aufruft. Wenn str1 „Iknowthatyouknowthatiknow“ und str2 „know“ ist, beträgt die Anzahl der Vorkommen -3. Lassen Sie uns das anhand von Beispielen verstehen. Geben Sie beispielsweise str1="TPisTPareTPamTP", str2="TP" ein; geben Sie Countofoccurrencesofasubstringrecursi aus

Einführung Das Java-Programm zur Berechnung der Fläche eines Dreiecks mithilfe der Determinante ist ein prägnantes und effizientes Programm, das die Fläche eines Dreiecks anhand der Koordinaten von drei Eckpunkten berechnen kann. Dieses Programm ist für jeden nützlich, der Geometrie erlernt oder damit arbeitet, da es zeigt, wie man grundlegende arithmetische und algebraische Berechnungen in Java verwendet und wie man die Scanner-Klasse zum Lesen von Benutzereingaben verwendet. Das Programm fordert den Benutzer zur Eingabe der Koordinaten von drei Punkten des Dreiecks auf, die dann eingelesen und zur Berechnung der Determinante der Koordinatenmatrix verwendet werden. Verwenden Sie den Absolutwert der Determinante, um sicherzustellen, dass die Fläche immer positiv ist. Verwenden Sie dann eine Formel, um die Fläche des Dreiecks zu berechnen und sie dem Benutzer anzuzeigen. Das Programm kann leicht modifiziert werden, um Eingaben in verschiedenen Formaten zu akzeptieren oder zusätzliche Berechnungen durchzuführen, was es zu einem vielseitigen Werkzeug für geometrische Berechnungen macht. Reihen von Determinanten

Eine beliebte Allzweck-Programmiersprache ist Python. Es wird in einer Vielzahl von Branchen eingesetzt, darunter Desktop-Anwendungen, Webentwicklung und maschinelles Lernen. Glücklicherweise verfügt Python über eine einfache und leicht verständliche Syntax, die für Anfänger geeignet ist. In diesem Artikel verwenden wir Python, um die Summe der rechten Diagonalen einer Matrix zu berechnen. Was ist eine Matrix? In der Mathematik verwenden wir ein rechteckiges Array oder eine Matrix, um ein mathematisches Objekt oder seine Eigenschaften zu beschreiben. Es handelt sich um ein rechteckiges Array oder eine Tabelle, die in Zeilen und Spalten angeordnete Zahlen, Symbole oder Ausdrücke enthält. Zum Beispiel -234512367574. Dies ist also eine Matrix mit 3 Zeilen und 4 Spalten, ausgedrückt als 3*4-Matrix. Nun gibt es in der Matrix zwei Diagonalen, die Primärdiagonale und die Sekundärdiagonale

Wir zeigen Ihnen, wie Sie mit einem Java-Programm Gesamtpunktzahlen und Prozentsätze berechnen. Die Gesamtpunktzahl bezieht sich auf die Summe aller verfügbaren Punktzahlen, während sich der Begriff „Prozentsatz“ auf die berechnete Punktzahl bezieht, geteilt durch die Gesamtpunktzahl und multipliziert mit der resultierenden Zahl 100. „percentage_of_marks=(obtained_marks/total_marks)×100 Beispiel 1“ Dies ist ein Java-Programm, das zeigt, wie Gesamtpunktzahlen und Prozentsätze berechnet werden. //JavaProgramtodemonstratehowisTotalmarksandPercentagescalculatedimportjava.io.*;publicclassTotalMarks_
