AI 中文总结
研究将费米集神经网络架构通过变分蒙特卡罗框架扩展以找相互作用基态，经固定相扩散蒙特卡罗优化，随网络大小增加变分能量降低，能量改进趋于零，还展示了对凝胶和量子点中相互作用电子的扩展及评估。
AI 中文摘要
在这项工作中，我们表明费米集（一种用于费米子波函数的可证明通用神经网络架构）可以通过变分蒙特卡罗框架中的能量最小化系统地扩展以找到相互作用的基态。通过在优化的神经网络波函数上进一步执行固定相扩散蒙特卡罗（DMC），我们证明随着网络大小增加，变分能量系统地降低，而DMC的能量改进单调地降至零，表明收敛到基态。我们展示了费米集的扩展以及对在高磁场下的凝胶和量子点中的相互作用电子的DMC评估。
英文摘要
In this work, we show that Fermi Sets---a provably universal neural network architecture for fermionic wavefunctions---can be systematically scaled up to find interacting ground states through energy minimization in a variational Monte Carlo framework. By further performing fixed-phase diffusion Monte Carlo (DMC) on the optimized neural network wavefunction, we demonstrate that as the network size increases, the variational energy systematically decreases while the energy improvement from DMC collapses monotonically to zero, indicating convergence to the ground state. We illustrate the scaling of Fermi Sets accompanied by the DMC assessment for interacting electrons in jellium and in a quantum dot under high magnetic fields.
