https://www.nature.com/articles/s41557-020-0544-y
薛丁格方程式可用来预测出分子的物理化学性质，其求解在化学、材料科学等领域都有
应用价值。然而到了今天，氢原子求解还是很困难，超过两个电子就很难确保准确度。
柏林自由大学团队开发了名为PauliNet的人工智能，使用深度神经网络求薛丁格方程式
基态解，达到了前所未有的精确度和效率。
他们用变分量子蒙地卡罗法来训练AI，这对大分子来说能缩放和并行化，其精确性只受
拟设灵活性限制。团队用深层神经网络表示电子波函数，系统内建多参照哈特里－福克
解决方案基准，
他们让人工神经网络学习电子如何围绕原子核定位的复杂模式，同时整合电子波函数的
所有物理特性(如包立不相容原理)到系统中。
系统对薛丁格方程学习的核心方法是波函数拟设，它结合了电子波函数斯莱特行列式、
多行列式展开、回流变换、Jastro 因子、尖点条件以及能够编码异质分子系统中电子运
动复杂特征的深层神经网络。
结果显示，在氢分子、氢化锂、铍、硼和线性氢链等五种基态能量的求解中，PauliNet
相较于传统工具如SD-VMC、SD-DMC及 DeepWF均表现出更高的准确度。与其他量子化学方
法相比，处理环丁二烯过渡态能量时，其准确性达到一致的同时，也能够保持较高的效
率。
PauliNet为分子材料科学提供新的思路，研究团队相信它可以影响量子化学的未来。