在新的太阳威超级计算机上，利用大规模神经网络进行量子化学的量子态计算

《IEEE Transactions on Parallel and Distributed Systems》：Large-Scale Neural Network Quantum States Calculation for Quantum Chemistry on a New Sunway Supercomputer

量子多体系统求解中提出数据并行NNQS-Transformer实现，结合混合多层负载平衡策略与Julia优化，突破传统方法局限，在120自旋轨道规模验证下实现Sunway平台高效率计算，为实用化奠定基础。

　　

摘要：

量子多体系统可以通过神经网络方法求解。然而，将神经网络量子态（NNQS）实际应用于大规模电子结构分析面临诸多挑战，主要问题是高采样成本和局部能量计算的复杂性。为克服这些计算障碍，我们提出了一种创新的数据并行NNQS-Transformer实现方案。该方案采用了一种混合的多层工作负载平衡策略，有效解决了之前的负载不平衡问题，并利用Julia语言的可移植性实现了针对性的性能优化。通过广泛的测试，我们在包含多达120个自旋轨道的系统中验证了我们的方法，而传统方法仅限于更小的系统规模。该实现在Sunway平台上表现出卓越的可扩展性，当使用多达3700万个处理器核心时，强扩展性达到了92%，弱扩展性效率达到了98%。这些显著的性能提升标志着使NNQS计算在实际量子化学应用中变得可行的重要一步。

[I. 引言

薛定谔方程是量子力学的基石，它使我们能够找到系统的波函数。研究人员已经设计了多种策略来求解实际材料中多体系统的薛定谔方程。值得注意的是，高性能计算方法的最新进展使得对该方程的求解更加精确。全配置相互作用（FCI）方法[1]考虑了整个希尔伯特空间，其规模呈指数级增长，从而限制了模拟的可执行规模。为了更高效地近似精确的基态，已经开发了多种方法，包括微扰理论、截断配置相互作用方法（如CISD和MCSCF[2]）、耦合簇（CC）方法[3]以及密度矩阵重整化群（DMRG）算法[4]。然而，这些技术的精度仅限于弱关联的化学系统[5]，或者对于非常大的系统来说可能极其难以应用。