近日，Nature子刊Nature Computational Science邀请上海大学理学院物理系教授李永乐在Nature Computational Science上撰写发表News & Views Article，文章题为“Teaching spin symmetry while learning neural network wave functions”，介绍了机器学习求解薛定谔方程的最新进展。上海大学李永乐教授为文章的第一作者，合作者为华东师范大学的何晓教授。
自旋对称性是量子力学中的一个基本概念，描述了具有自旋的粒子的固有属性。对于关键量子态，自旋只能取特定的量子数。确保这些量子态保持正确的自旋对称性对于凝聚态物理、量子化学和材料科学等领域至关重要。然而，由于在处理自旋态之间相互作用的复杂性以及所涉及的计算成本的增加，这一直是计算模拟的长期挑战。本文中，李永乐教授评述了字节跳动的任维络等人提出的一种在神经网络变分蒙特卡洛（NNVMC）中强制自旋对称性的方法，使计算效率相比原有方法显著提升。具体而言，他们通过避免直接计算自旋平方算符、改为使用自旋上升算符来确定多电子体系的自旋本征值，大大减少了计算量，使得计算效率大为提升。通过应用自旋上升算符惩罚项，他们成功地训练了神经网络波函数，从而获得了准确的能量和正确的自旋值，同时降低了计算复杂性。此外，作者展示了该方法能够改善NNVMC中的优化方案，防止算法陷入对应于错误自旋状态的局部极小值。由此，这种方法在处理具有复杂自旋情况的系统时可以提高准确性，例如碳、氮、氧和氟原子的高激发态，以及双自由基（如扭曲乙烯和甲醛）中单重态和三重态之间的能隙。
总之，通过降低自旋对称性限制NNVMC的计算成本，这项工作使研究人员能够以更高的保真度探索更大、更复杂的多电子系统的基态与激发态电子结构。在模拟中可靠地包含自旋对称性，可能会推动对磁性材料的理解、新型量子设备的设计以及我们对基础量子现象的认识的进步。
上海大学李永乐课题组长期致力于应用人工智能辅助量子动力学及分子动力学计算。在量子动力学方面，采用置换不变多项式神经网络和嵌入原子神经网络制作反应散射势能面，在分子动力学方面应用信息传递神经网络原子簇展开力场，模拟外磁场下金属的凝固形核机理，均已发表系列工作。详见个人主页：https://physics.shu.edu.cn/info/1082/1166.htm
在我国科技评价体系改革破五唯的背景下，上海大学物理学科基础研究以国家战略和国际视野的科学工作态度，围绕学校十四五规划“五五战略”的量子科技方向，潜心学术研究，培养青年人才，不断提高影响力。
论文链接：https://www.nature.com/articles/s43588-024-00727-z
