A Transferable Machine Learning Approach to Predict Optimized Orbitals for Electronic Structure Problems
본 논문은 기하학적 구조로부터 직접 최적화된 분자 오비탈 계수를 예측하는 전이 가능한 그래프 신경망 프레임워크를 제시하여, 고전적 전처리 오버헤드를 크게 줄이고 더 큰 수소 시스템에 대한 수렴성을 향상시킴으로써 변분 양자 고유값 솔버 워크플로우의 확장 가능한 재학습 없는 가속화를 가능하게 합니다.