基于神经网络的偏微分方程求解器新突破：北大&字节研究成果入选Nature子刊

AIGC动态10个月前发布 almosthuman2014

787 0 0

模型信息

【模型公司】 月之暗面
【模型名称】 moonshot-v1-32k
【摘要评分】 ★★★★★

文章摘要

【关键词】 神经网络、量子化学、NNVMC、Forward Laplacian、开源

摘要：
北京大学与字节跳动研究部门 ByteDance Research 联合开发的计算框架 Forward Laplacian 在量子化学领域取得了显著进展。该框架通过利用 Laplace 算子前向传播，为基于神经网络的量子变分蒙特卡洛方法（NNVMC）提供了显著加速，降低了计算成本。这一成果已在国际顶级期刊《Nature Machine Intelligence》发表，相关代码也已开源。Forward Laplacian 框架不仅提高了计算效率，还通过 LapNet 网络结构增加了神经网络的稀疏性，进一步提升了计算效率。在绝对能量和相对能量的计算中，Forward Laplacian 展现出与现有最佳技术（SOTA）相当的精度，同时在计算资源相同的情况下，其计算结果优于 SOTA。这一突破性工作受到了广泛关注，有望推动 NNVMC 方法在更多科学问题中的应用。

背景简介：
NNVMC 方法在量子化学领域具有高精度和广泛的适用范围，但其高昂的计算成本限制了其实际应用。为了解决这一问题，北京大学与 ByteDance Research 联合提出了 Forward Laplacian 计算框架，通过直接计算拉普拉斯项，避免了黑塞矩阵的计算，从而显著提高了计算效率。

方法介绍：
– Forward Laplacian 框架：通过一次前向传播直接求得拉普拉斯项，减少了计算规模。
– LapNet 网络：利用神经网络梯度计算中的稀疏性，提高了网络计算效率。

计算结果：
– 绝对能量：LapNet 在 Forward Laplacian 框架下的效率和精度均优于现有技术。
– 加速标度：在不同大小的链式聚乙烯体系上测试，显示出 O(n) 加速效果。
– 相对能量：在多个体系上测试，均取得了理想结果。

总结：
Forward Laplacian 计算框架为降低 NNVMC 方法的使用门槛提供了新的可能性，其在量子化学领域的应用前景广阔。