量子科技中心_量科网

解决强关联体系的电子薛定谔方程仍然是量子化学领域的重大挑战之一。该研究团队证明，Transformer架构可通过神经网络反向流技术捕获电子关联的复杂语法特征。在此方法中，电子构型被处理为标记序列——注意力层学习非定域轨道关联，而标记专属神经网络将这些上下文表征映射为反向流轨道。应用于强关联铁硫簇的验证测试表明：对于rn对于[2Fe-2S]簇（30电子，20轨道），基态能量达到DMRG化学精度，同时预测的磁交换耦合常数比DMRG、CCSD(T)及最新神经网络方法更接近实验值；对于[4Fe-4S]簇（54电子，36轨道），该工作不仅匹配DMRG能量，还精确重现了所有铁中心间的自旋-自旋关联模式。该方法可良好扩展至精确法无法处理的大活性空间，分布式VMC优化确保了稳定收敛。这些成果确立了基于Transformer的反向流作为强关联电子结构的强力变分拟设，在保持总能量化学精度的同时，实现了磁性质预测的突破。