Nuclear gradients from auxiliary-field quantum Monte Carlo and their application in geometry optimization and transition state search
Dit artikel introduceert een schaalbare methode voor het berekenen van nauwkeurige nucleaire krachten binnen het phaseless AFQMC-framework via automatische differentiatie, die vervolgens in combinatie met machine learning wordt gebruikt voor geometrie-optimalisatie en het succesvol vinden van overgangstoestanden met een nauwkeurigheid die vergelijkbaar is met gekoppelde-cluster-referentiewaarden.