深度学习方法在模式识别和数据处理问题上胜过人类的能力，并且在科学发现中发挥着越来越重要的作用。机器学习在分子科学中的一个关键应用是使用密度泛函理论、耦合簇或其他量子化学（QC）方法获得的数据集，从电子薛定谔方程的从头算解中学习势能面或力场。近日，莱斯大学Frank Noé、洛桑联邦理工学院Giuseppe Carleo、伦敦帝国理工学院David Pfau综述研究了基于神经网络波函数的从头算量子化学。
本文要点：
1) 作者讨论了一种使用机器学习的补充方法，以帮助从第一性原理直接解决QC问题。具体来说，作者专注于量子蒙特卡罗方法，该方法使用神经网络模拟来求解电子薛定谔方程。在第一和第二量化中，其可以用于计算基态和激发态，并在多个核构型上进行推广。
2) 尽管其仍处于初级阶段，但这些方法已经可以为小型系统生成电子薛定谔方程的精确解，并可以与具有几十个电子系统的传统QC方法相媲美。
Jan Hermann et.al Ab initio quantum chemistry with neural-network wavefunctions Nature Reviews Chemistry 2023
DOI: 10.1038/s41570-023-00516-8
https://doi.org/10.1038/s41570-023-00516-8
