DeepMind 发布 FermiNet 量子物理与化学从头计算方法

DeepMind 这篇博客最初发布于 2020 年 10 月 19 日，2024 年 8 月 22 日因激发态新成果在 Science 上发表而做了增补。作者 David Pfau 与 James Spencer 介绍 FermiNet，一种用深度神经网络逼近多电子薛定谔方程波函数的从头计算方法。文章先回顾量子化学的历史困境：1929 年 Dirac 已指出原则上所有化学都由量子力学决定，但除了氢原子之外，方程在解析上几乎都无法精确求解。传统“平均场”近似把每个电子分配到独立轨道，整体能量误差约 0.5%，但分子键能往往只占总能量的 0.001%，相当于以毫米精度量出足球场宽度。

FermiNet 的关键在于电子波函数必须对粒子交换反对称。研究者把神经网络的每个流定义为所有电子位置的函数，再以行列式结构保证 Pauli 不相容原理，得到的反对称网络在足够宽的极限下是通用函数逼近器，理论上可以拟合接近精确的薛定谔解。训练采用 1960 年代以来的变分量子蒙特卡洛思想：从波函数本身采样电子位置，逐点估计局部能量并最小化，所需输入只有原子核位置而非外部标注数据。在第一行原子与多电子分子上，FermiNet 把相对耦合簇方法的误差减半；在 30 电子的双环丁烷上仍能捕获 97% 以上的相关能；在拉伸的 N2 与 H10 链等非平衡键长情境中，性能优于传统耦合簇基线。

2024 年的延续工作把 FermiNet 推广到激发态。研究者提出一种通过扩展系统寻找基态的新范式，把激发态问题转化为可复用现有优化算法的形式。在碳二聚体上，平均绝对误差 4 meV，比此前金标准方法的 20 meV 接近实验五倍；在双电子同时激发的复杂体系上，与目前最严苛计算结果的差距控制在约 0.1 eV。后续架构 Psiformer 引入自注意力机制，目前仍是该路线上最准确的 AI 方法。代码已开源，团队希望计算物理与化学社区基于这套工具，把模拟新材料与化学合成的能力推进到太阳能电池、LED、半导体、光合作用等需要精确激发态能量的真实场景。