NucleoNet: Determinant Ansatz (Ядерный детерминант) для мультигеометрии Нейронные изменения Монте Карло
arXiv: 261.10.12985v1 Annuate Type: кросс-бюллетень: Neural-Network Universal Monte Carlo обеспечивает точный путь к решению электронного уравнения Schr\"odinger, но многие нейронные волновые функции оптимизированы для единой ядерной геометрии, что требует отдельных расчетов для картирования потенциальной энергетической поверхности. Мы представляем NucleoNet — ансац, который обладает ядерным пониманием и в котором электроны и ядра образуют единый набор частиц, распространяющийся через общий электрон-яклеус позвоночника, который совместно развивает одночастицу и два частицы. В Nuclei имеются извлеченные уроки, которые развиваются параллельно с электронными изображениями и конструкцией орбитального состояния, в то время как антисимметрия навязывается только электронными детерминантами. Применительно к показателям равновесия в отношении малых мольекулей NucleoNet обеспечивает точность, сопоставимую с установленными исходными значениями нервно-волновой функции при значительно меньшем числе параметров. Для каждой молекулярной системы единая модель, оптимизированная совместно по всей геометрии, описывает N$_2
