ترجمه فارسی مقاله چارچوب یکپارچه یادگیری عمیق برای شیمی کوانتومی چند ذره‌ای از طریق توابع گرین

چکیده

Quantum many-body methods provide a systematic route to computing electronic properties of molecules and materials, but high computational costs restrict their use in large-scale applications. Due to the complexity in many-electron wavefunctions, machine learning models capable of capturing fundamental many-body physics remain limited. Here, we present a deep learning framework targeting the many-body Green’s function, which unifies predictions of electronic properties in ground and excited states, while offering deep physical insights into electron correlation effects. By learning the $GW$ or coupled-cluster self-energy from mean-field features, our graph neural network achieves competitive performance in predicting one- and two-particle excitations and quantities derivable from one-particle density matrix. We demonstrate its high data efficiency and good transferability across chemical species, system sizes, molecular conformations, and correlation strengths in bond breaking, through multiple molecular and nanomaterial benchmarks. This work opens up new opportunities for utilizing machine learning to solve many-electron problems.

چکیده به فارسی (ترجمه ماشینی)

روشهای بسیار بدنه کوانتومی مسیری سیستماتیک را برای محاسبه خواص الکترونیکی مولکول ها و مواد فراهم می کند ، اما هزینه های محاسباتی بالا استفاده آنها را در برنامه های در مقیاس بزرگ محدود می کند.با توجه به پیچیدگی در عملکردهای موج بسیاری ، مدل های یادگیری ماشین که قادر به گرفتن فیزیک اساسی بدن اساسی هستند ، محدود هستند.در اینجا ، ما یک چارچوب یادگیری عمیق را ارائه می دهیم که عملکرد بسیاری از بدن را هدف قرار می دهد ، که پیش بینی خواص الکترونیکی در حالت های زمینی و هیجان زده را متحد می کند ، در حالی که بینش های فیزیکی عمیق در مورد اثرات همبستگی الکترون ارائه می دهد.با یادگیری $ gw $ یا خودآزمایی خوشه ای از ویژگی های میانگین میدان ، شبکه عصبی نمودار ما در پیش بینی تحریکات یک و دو ذره و مقادیر مشتق از ماتریس چگالی یک ذره به عملکرد رقابتی می رسد.ما راندمان داده بالا و انتقال خوب آن در بین گونه های شیمیایی ، اندازه سیستم ، ترکیبات مولکولی و استحکام همبستگی در شکستن پیوند ، از طریق معیارهای مولکولی و نانومواد را نشان می دهیم.این کار فرصت های جدیدی را برای استفاده از یادگیری ماشین برای حل مشکلات بسیاری از الکترون باز می کند.