A Transferable Machine Learning Approach to Predict Optimized Orbitals for Electronic Structure Problems
Questo lavoro introduce un framework di rete neurale grafica trasferibile che prevede direttamente i coefficienti ottimizzati degli orbitali molecolari a partire dalla geometria, consentendo un'accelerazione scalabile e senza riaddestramento dei flussi di lavoro degli eigensolver quantistici variazionali, riducendo significativamente l'overhead di pre-elaborazione classica e migliorando la convergenza per sistemi di idrogeno più grandi.