A Transferable Machine Learning Approach to Predict Optimized Orbitals for Electronic Structure Problems
Este artículo presenta un marco de red neuronal de grafos transferible que predice coeficientes de orbitales moleculares optimizados directamente a partir de la geometría, permitiendo una aceleración escalable y sin reentrenamiento de los flujos de trabajo del eigensolver cuántico variacional al reducir significativamente la sobrecarga de preprocesamiento clásico y mejorar la convergencia para sistemas de hidrógeno más grandes.