NucleoNet: A Nuclear-Aware Determinant Ansatz for Multi-Geometry Neural Variational Monte Carlo
School of Artificial Intelligence and Data Science, University of Science and Technology of China（中国科学技术大学人工智能与数据科学学院）；University of Science and Technology of China（中国科学技术大学）；Suzhou Institute for Advanced Research, University of Science and Technology of China（中国科学技术大学苏州高等研究院）；Singapore University of Technology and Design（新加坡科技设计大学）；AI for Science Institute（北京智源人工智能研究院）；School of Mathematical Sciences, University of Science and Technology of China（中国科学技术大学数学科学学院）；National Laboratory of Computational Physics, Institute of Applied Physics and Computational Mathematics（应用物理与计算数学研究部计算物理国家实验室）；HEDPS, CAPT, College of Engineering, Peking University（北京大学工学院）
Qiao Gao, Yang Huang, Enze Hou, Yuzhi Liu, Jingrun Chen, Han Wang
Neural-network variational Monte Carlo provides an accurate route to solving the electronic Schrödinger equation, but many neural wavefunctions are optimized for a single nuclear geometry, requiring separate calculations to map out a potential energy surface. We introduce NucleoNet, a nuclear-aware determinant ansatz in which electrons and nuclei form a unified particle set propagated through a shared electron--nucleus backbone that jointly evolves one-particle and two-particle representations. Nuclei carry learned representations that evolve alongside the electronic representations and condition orbital construction, while antisymmetry is imposed only by electronic determinants. On equilibrium small-molecule benchmarks, NucleoNet achieves accuracy comparable to established neural-wavefunction baselines with substantially fewer parameters. For each molecular system, a single model optimized jointly across geometries describes the N$_2$ dissociation curve, Li displacement in LiCN, and the ethane and formamide minimum-energy paths for bond dissociation. Sparse-geometry training generalizes to unseen geometries for N$_2$ and LiCN without further optimization, and N$_2$ ablations show that nuclear streams substantially improve this interpolation. These results show that a compact wavefunction with jointly evolved nuclear representations can describe the geometries of a molecular system with a single set of parameters.
Convergence to the fixed-node limit in deep variational Monte Carlo
FU Berlin（柏林自由大学）；TU Berlin（柏林工业大学）；Rice University（莱斯大学）
变分量子蒙特卡罗（Variational Quantum Monte Carlo，QMC）是一种求解电子薛定谔方程的从头计算方法，它在原理上是精确的，但在实际应用中受到现有方法灵活性的限制。最近引入的深度QMC方法，特别是两个深度神经网络ansatzes PauliNet和FermiNet，允许变分QMC达到扩散QMC的精度，但对这些ansatzes的收敛行为知之甚少。在这里，我们分析如何深入变QMC方法的固定节点的限制，随着网络规模的增加。首先，我们证明了深度神经网络可以克服小基集的限制，并达到平均场完全基集极限。移动到电子相关性，然后我们进行了广泛的超参数扫描的深Jastrow因子的LiH和H $_4$，并发现在固定节点的限制，可以得到一个足够大的网络的变分能量。最后，我们基准的平均场和多体ansatzes H $_2$ O，增加的分数恢复固定节点的相关能量的单决定斯莱特-Jastrow型ansatzes的半个数量级相比，以前的变QMC的结果，并证明了一个单一的决定斯莱特-Jastrow-回流版本的ansatzes克服了固定节点的限制。这种分析有助于理解与传统的试验波函数相比，深度变分ansatzes在各自的理论水平上的高超精度，并将指导未来改进深度QMC中的神经网络架构。
TurboRVB: a many-body toolkit for {\it ab initio} electronic simulations by quantum Monte Carlo
TurboRVB是一个计算软件包，用于分子和体电子系统的{\it ab initio}量子蒙特卡罗（QMC）模拟。该代码实现了两种类型的成熟的QMC算法：变分蒙特卡罗（VMC）和扩散蒙特卡罗在其强大和有效的晶格正则化的变体。该代码的一个关键特点是使用强相关的多体波函数的可能性。电子波函数（WF）是通过将考虑动力学相关性的Jastrow因子应用于最一般的平均场基态而获得的，该平均场基态被写为具有自旋单重态配对的反对称化的孪积，或者被写为包括单重态相关性和三重态相关性的Pfweian。这种波函数可以看作是由L.鲍林和P.W.安德森在量子化学和凝聚态物理，分别。TurboRVB中实现的RVB计算器具有很大的变分自由度，包括Jastrow相关的Slater行列式作为其最简单但非平凡的情况。此外，它有一个显着的优势，剩余的一个负担得起的计算成本，成比例的一个用于评估一个单一的斯莱特行列式。该代码实现了伴随算法的差异，使一个非常有效的评估能源衍生物，包括离子力。因此，人们可以在VMC水平上进行正则NVT系综的结构优化和分子动力学。对于电子部分，一个完整的WF优化是可能的，由于国家的最先进的随机算法的能量最小化。通过使用混合MPI-OpenMP协议，代码已被高效并行化，这也是利用现代GPU加速器计算能力的理想环境。
Basis-free neural-network geminal and Jastrow factors for variational Monte Carlo
University of Paderborn（帕德博恩大学）；Center for Advanced Systems Understanding (CASUS)（先进系统理解中心）；Helmholtz Zentrum Dresden-Rossendorf（德累斯顿-罗斯多夫亥姆霍兹中心）；Technische Universität Dresden（德累斯顿工业大学）
