A Transferable Machine Learning Approach to Predict Optimized Orbitals for Electronic Structure Problems
Dit artikel introduceert een overdraagbaar raamwerk voor grafische neurale netwerken dat geoptimaliseerde moleculaire orbitaalcoëfficiënten direct voorspelt op basis van geometrie, waardoor schaalbare, hertrainingsvrije versnelling van variational quantum eigensolver-werkstromen mogelijk wordt door de klassieke voorverwerkingskosten aanzienlijk te verminderen en de convergentie voor grotere waterstofsysteem te verbeteren.