加星标，才能不错过每日推送！方法见文末插图
当分子和材料受到大量能量的刺激时，电子可能会跃迁到更高能量的激发态。激发态对理解物质如何与光相互作用至关重要。在此前的研究中，DeepMmind 团队开发了神经网络架构 FermiNet，利用深度学习从第一性原理计算原子和分子的能量。近日，研究团队将这项工作拓展到激发态的计算中，在 Science 上发表用神经网络计算量子激发态的突破性工作，该方法比以往的方法更稳健和通用。
翻译 | 龚铭康
论文题目：
Accurate computation of quantum excited states with neural networks
论文地址： https://www.science.org/doi/abs/10.1126/science.adn0137
论文题目：Ab initio solution of the many-electron Schrödinger equation with deep neural networks 论文地址：https://journals.aps.org/prresearch/abstract/10.1103/PhysRevResearch.2.033429
“物理学和整个化学领域的数学理论所必需的基本物理定律已经完全为人所知，唯一的困难是这些定律的精确应用会导致方程过于复杂而无法求解。因此，开发应用量子力学的近似实用方法成为当务之急。” ——保罗·狄拉克（Paul Dirac），量子力学奠基者，1929年
本文经授权转载自微信公众号“集智俱乐部”。原文链接：https://deepmind.google/discover/blog/ferminet-quantum-physics-and-chemistry-from-first-principles/
相关阅读
2 图灵奖得主Geoffrey Hinton：我的五十年深度学习生涯与研究心法
近期推荐
1 交叉学科再受青睐？2024年颁出史上最意外的诺贝尔物理学奖，专家如何解读
特 别 提 示
1. 进入『返朴』微信公众号底部菜单“精品专栏“，可查阅不同主题系列科普文章。
2. 『返朴』提供按月检索文章功能。关注公众号，回复四位数组成的年份+月份，如“1903”，可获取2019年3月的文章索引，以此类推。
长按下方图片关注「返朴」，查看更多历史文章
