[논문 리뷰] Accurate Computation of Quantum Excited States with Neural Networks

David Pfau, Simon Axelrod외 3명|arXiv (Cornell University)|2023. 08. 31.

Advanced Chemical Physics Studies참고 문헌 8인용 수 5

한 줄 요약

이 논문은 양자 시스템의 고유 상태를 계산하기 위해 문제를 확장된 시스템의 기본 상태를 찾는 것으로 변환함으로써 정규직교화나 자유 매개변수의 필요성을 제거하는 새로운 변분 몽테카를로(Variational Monte Carlo, VMC) 방법을 제안한다. 이 방법은 FermiNet과 Psiformer와 같은 신경망 기반 파동함수 안식수를 결합하여 벤젠과 비틀린 에틸렌과 같은 분자에서 수직 여기 에너지와 진동자 강도를 높은 정확도로 계산한다.

ABSTRACT

A snapshot of the GitHub repository for Fermionic Neural Networks (https://github.com/google-deepmind/ferminet) which includes an implementation of the Natural Excited States algorithm described in "Accurate Computation of Quantum Excited States with Neural Networks". Config files for the experiments from the paper can be found in ferminet/configs/excited, and tests which run all experimental configurations (on small networks) can be found in ferminet/tests/excited_test.py.

연구 동기 및 목표

• 변분 몽테카를로를 이용해 양자 시스템의 여기 상태를 일반적이고 자유 매개변수 없는 방법으로 계산하는 데 목적이 있다.
• 기존의 여기 상태 VMC 방법의 한계, 즉 정규직교화 요구 조건, 자유 매개변수, 루트 뒤집힘 문제를 극복하는 데 목적이 있다.
• 수직 여기 에너지와 전이 전기 dipole 모멘트와 같은 여기 상태 성질을 정확하게 계산할 수 있도록 하는 데 목적이 있다.
• 신경망 기반 파동함수 안식수를 다전자 시스템의 여기 상태로 확장할 수 있도록 하는 데 목적이 있다.
• 현대적인 딥러닝 기반 파동함수인 FermiNet과 Psiformer와 호환되는 견고한 프레임워크를 제공하는 데 목적이 있다.

제안 방법

• 이 방법은 여기 상태를 찾는 문제를 원래 시스템과 그의 여기 상태를 포함하는 확장된 해밀토니안의 기본 상태를 찾는 문제로 재구성한다.
• 해밀토니안의 변분 원리를 사용하여 상태 간의 명시적 정규직교화를 피하는 방식으로 기본 상태 최적화를 자연스럽게 일반화한다.
• 관측량의 기대값, 특히 전이 전기 dipole 모멘트와 같은 비대칭 행렬 원소를 추정하기 위해 확률적 몽테카를로 샘플링을 활용한다.
• 복잡한 전자 상관관계를 정확하게 표현할 수 있도록 신경망 기반 파동함수 안식수(FermiNet과 Psiformer)를 다체 파동함수를 매개변수화하는 데 사용한다.
• 이 방법은 기저함수 전개나 페널티 항이 필요로 하지 않는 비선형, 딥러닝 기반 형태의 모든 안식수와 본질적으로 호환되며, 기저함수 전개나 페널티 항이 필요로 하지 않는다.
• 변분 에너지의 확률적 경사하강법을 통해 최적화를 수행하며, 표준 몽테카를로 샘플링 조건 하에서 수렴이 보장된다.

Figure 1 : Excited state energies for first row atoms from lithium to neon. Results from natural excited state VMC applied to the FermiNet (10 states, blue, 5 states, red) are shown on top of experimental results (Sansonetti and Martin, 2005 ) . Spectral lines which match computed states are labeled

실험 결과

연구 질문

• RQ1 자유 매개변수 없고 정규직교화 없이도 변분 몽테카를로 방법이 양자 시스템의 최저 여기 상태를 정확하게 계산할 수 있는가?
• RQ2 이 방법이 현대적인 신경망 기반 파동함수 안식수인 FermiNet과 Psiformer와 결합되었을 때 성능은 어떠한가?
• RQ3 이 방법은 여기 에너지 외에도 전이 전기 dipole 모멘트와 같은 비대칭 관측량을 계산할 수 있는가?
• RQ4 이 방법은 루트 뒤집힘과 여기 상태 최적화에서의 상태 붕괴와 같은 일반적인 함정을 피할 수 있는가?
• RQ5 벤젠과 같은 큰 분자에서 계산된 수직 여기 에너지와 진동자 강도의 정확도는 어떠한가?

주요 결과

• 벤젠의 수직 여기 에너지를 코어크리스탈 기준값과 1-2 밀리하트리 내에서 도출하였으며, 진동자 강도는 고정밀 기준값과 일치하였다.
• 비틀린 에틸렌의 경우 첫 번째 여기 상태(1Ag)의 에너지를 -232.1898(2) Ha로 계산하여 DMC 및 CASPT2 결과와 뛰어난 일치를 보였다.
• Psiformer 안식수는 싱글렛 1B1u 상태에 의한 오염을 성공적으로 피했으며, 반면 FermiNet은 최고 에너지의 여기 상태에서 혼합의 징후를 보여, 해당 구조에서 잠재적인 불안정성을 시사하였다.
• 이 방법은 전이 전기 dipole 모멘트를 정확하게 계산하여 추가적인 계산 부담 없이 진동자 강도를 산출할 수 있었다.
• 이 방법은 견고성과 확장성을 입증하였으며, 대칭 기반 제약 조건이나 페널티 항이 필요로 하지 않아 벤젠과 같은 큰 시스템에서도 높은 정확도를 달성하였다.
• 이 방법은 분자의 시스템을 넘어서 원자, 핵 및 응집물질 물리학 분야의 응용 가능성도 보여주었다.

Figure 2 : Vertical excitation energies and oscillator strengths for small molecules from Chrayteh et al. (Chrayteh et al. , 2020 ) . Singlet states are in blue and triplet states are in gray. NES-VMC results are indicated by markers while theoretical best estimates from Chrayteh et al. (Chrayteh et