凝聚态多体电子结构的深度学习计算

本文针对凝聚态物理中精确求解多体电子结构这一长期挑战，介绍了一种融合深度学习与量子蒙特卡罗（DL-QMC）的先进计算方法。研究背景在于传统计算方法在精度与效率之间存在矛盾，难以处理强关联体系。研究目的是利用深度神经网络构建高表达能力、可系统性改进的多体波函数拟设，并结合变分蒙特卡罗方法进行优化，以逼近多电子薛定谔方程的精确解。研究结论表明，该方法不仅能统一、高精度地处理分子和周期性固体中的各类物理情景，在处理强关联拓扑物态如维格纳晶体、分数量子霍尔效应及莫尔材料中的关联拓扑物态时也展现出独特优势。DL-QMC方法为深入理解凝聚态现象、高精度预测材料性质及发现新奇量子物态提供了强有力的手段，开辟了凝聚态物理研究的新方向。