面向分子与材料体系的生成式神经网络量子态方法

背景方面，精确求解多电子薛定谔方程是现代科学的核心挑战，由于内在的指数级复杂性，传统方法难以应用于复杂分子与材料体系。研究目的方面，本文提出基于生成式Transformer架构的神经网络量子态方法——乾坤网络（QiankunNet），旨在通过将神经网络的表达能力与量子力学基本原理结合，突破传统计算方法的局限，实现对分子与材料体系高精度、高效率的基态能量与性质计算。结论方面，QiankunNet系列方法在基态能量计算、原子间力计算、周期性固体材料模拟、大规模并行计算优化，以及与量子嵌入理论和张量网络方法结合等多个维度取得了显著进展。该方法在处理强关联体系时展现了优势，计算精度达到或接近全组态相互作用（FCI）水平，同时通过高性能并行框架和量子嵌入技术，将适用范围扩展到含数百甚至数千原子的大型体系。该系列方法为药物研发、材料设计等领域提供了全新的理论工具，展示了生成式人工智能与量子多体理论深度结合的应用前景，未来有望在激发态、动力学和响应性质计算方面进一步发展。