量智信息中心_量科网

选定的组态相互作用方法通过迭代构建紧凑变分空间来实现接近精确的电子结构计算，但其效率关键取决于用于识别重要行列式的启发式策略。本文引入了一种数据驱动的选择框架，将行列式重要性重新表述为二元分类任务，并通过主动学习循环将神经网络分类器集成到迭代CI流程中。在每次迭代中，通过临时对角化对候选行列式的随机子集进行标注，训练后的分类器则指导剩余组态的选择。通过计算双原子分子的基态能量，该团队展示了此框架在经典和量子CI方法中的实用性。该研究的方法在显著降低计算成本的同时，达到了与传统组态相互作用方法相当的结果：对于经典cHCI变体，内存和每次迭代成本大约降低了\(\times 5\)；对于量子-经典cSQD变体，收敛所需的迭代次数显著减少。这些结果确立了分类器辅助的行列式选择作为一种轻量级、与具体方法无关的工具，用于压缩变分空间，并加速经典与混合量子-经典组态相互作用算法。