FermiNet：基于第一性原理的量子物理与化学计算
量子力学计算的历史挑战
量子系统的粒子行为由薛定谔方程描述，但精确求解该方程面临巨大计算复杂度。虽然1920年代就建立了量子化学理论框架，但除最简单氢原子外，其他系统的精确求解几乎不可能。保罗·狄拉克在1929年指出：“数学物理所需的基础物理定律已完全知晓，困难在于这些定律的精确应用会导致过于复杂的方程。”
传统计算方法存在精度与效率的权衡：精确方法随电子数增加呈指数级增长，而高效方法精度有限。即使经过数十年发展，最大量子化学计算仅能处理数万电子。
费米子神经网络创新
FermiNet（费米子神经网络）采用深度神经网络表示量子波函数，突破传统计算限制。关键创新包括：
反对称性处理
电子作为费米子必须遵守泡利不相容原理，波函数需具有反对称性。FermiNet通过行列式结构和流交互机制确保电子交换时波函数符号翻转。
网络架构设计
- 每个电子拥有独立信息流
- 通过网络层间的对称信息聚合实现电子间相互作用
- 支持电子对流信息传递
- 成为通用函数逼近器
变分量子蒙特卡洛训练
通过蒙特卡洛方法随机采样电子构型，最小化系统能量。无需外部训练数据，仅需原子核位置信息。
性能突破
基态计算精度
- 在周期表第一行原子（氢到氖）上误差比传统VMC方法降低50%以上
- 在 bicyclobutane（30电子系统）中捕获97%以上关联能
- 在键拉伸系统中表现优于耦合簇方法
激发态计算突破
2024年8月发表的新工作解决了激发态计算挑战：
- 碳二聚体计算平均绝对误差4 meV，比传统方法精确5倍
- 双电子激发系统误差约0.1 eV
- 开发可应用于任何数学模型的通用计算方法
应用前景
FermiNet为以下领域提供新计算范式：
- 新材料设计与原型验证
- 光物质相互作用研究
- 太阳能电池、LED、半导体技术优化
- 光合作用和视觉等生物过程模拟
开源贡献
相关代码已开源发布，供计算物理和化学社区进一步开发应用。这项研究展示了人工智能在解决基础科学问题方面的巨大潜力，与蛋白质折叠、玻璃态动力学等研究共同推进科学发现。