QiankunNet-Solid/DMET: a generative neural network quantum state method for solid material simulations
Huan Ma, Lizhong Fu, Honghui Shang, Jinlong Yang · Chinese Science Bulletin (Chinese Version) · 2025
神经网络量子态（neural network quantum states, NNQS）方法在量子多体系统模拟中展现出巨大潜力，但其在固体材料中的应用仍面临周期性边界条件、长程相互作用与计算复杂度等关键挑战。本文系统综述了基于Transformer架构的神经网络量子态方法QiankunNet的最新进展，重点介绍了针对固体材料设计的QiankunNet-Solid和QiankunNet-DMET方法。QiankunNet-Solid通过二次量子化形式与自回归采样技术，高效处理周期性体系的波函数表达与计算，在一维氢链、石墨烯、硅及金刚石等体系中实现了与全组态相互作用（full configuration interaction, FCI）精度相当的计算结果。QiankunNet-DMET结合密度矩阵嵌入理论（density matrix embedding theory, DMET）与迁移学习策略，通过局域化嵌入哈密顿量求解显著降低计算成本，在强关联材料中预测了磁性序与电子密度分布，与传统方法和实验数据符合。本文进一步探讨了这些方法在高温超导、拓扑材料设计等领域的应用潜力，并指出未来在提升系统规模、激发态计算与算法优化等方面的研究方向。