近日，Nature子刊Nature Computational Science约请亿万先生MR理学院物理系教授李永乐在Nature Computational Science上撰写颁发News & Views Article，文章题为“Teaching spin symmetry while learning neural network wave functions”，介绍了机械进建求解薛定谔方程的最新进展。亿万先生MR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根基概想，描述了拥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。确保这些量子态维持正确的自旋对称性对于凝聚态物理、量子化学和资料科学等领域至关沉要。然而，由于在处置自旋态之间相互作用的复杂性以及所涉及的推算成本的增长，这一向是推算仿照的持久挑战。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）中强造自旋对称性的步骤，使推算效能相比原有步骤显著提升。具体而言，他们通过预防直接推算自旋平方算符、改为使用自旋上升算符来确定多电子系统的自旋本征值，大大削减了推算量，使得推算效能大为提升。通过利用自旋上升算符惩治项，他们成功地训练了神经网络波函数，从而获得了正确的能量和正确的自旋值，同时降低了推算复杂性。此表，作者展示了该步骤可能改善NNVMC中的优化规划，预防算法陷入对应于谬误自旋状态的部门极幼值。由此，这种步骤在处置拥有复杂自旋情况的系统时能够提高正确性，例如碳、氮、氧和氟原子的高引发态，以及双自由基（如扭曲乙烯和甲醛）中单沉态和三沉态之间的能隙。

总之，通过降低自旋对称性限度NNVMC的推算成本，这项工作使钻研人员可能以更高的保真度索求更大、更复杂的多电子系统的基态与引发态电子结构。在仿照中靠得住地蕴含自旋对称性，可能会推动对磁性资料的理解、新型量子设备的设计以及我们对基础量子景象的意识的进取。

亿万先生MR李永乐课题组持久致力于利用人为智能辅助量子动力学及分子动力学推算。在量子动力学方面，选取置换不变多项式神经网络和嵌入原子神经网络造作反映散射势能面，在分子动力学方面利用信息传递神经网络原子簇发展力场，仿照表磁场下金属的凝固形核机理，均已颁发系列工作。详见幼我主页：https://physics.shu.edu.cn/info/1082/1166.htm

在我国科技评价系统鼎新破五唯的布景下，亿万先生MR物理学科基础钻研以国度战术和国际视野的科学工作态度，萦绕学堂十四五规划“五五战术”的量子科技方向，潜心学术钻研，造就青年人才，不休提高影响力。

论文链接：https://www.nature.com/articles/s43588-024-00727-z