A Transferable Machine Learning Approach to Predict Optimized Orbitals for Electronic Structure Problems
本論文は、分子軌道係数の最適化値を幾何構造から直接予測する転移可能なグラフニューラルネットワークフレームワークを導入し、古典的な前処理のオーバーヘッドを大幅に削減してより大きな水素系における収束を改善することで、再学習なしでスケーラブルな変分量子固有値ソルバーワークフローの加速を実現するものである。