深度学习 | Paper Notes

深度解析 TPAPS：一种求解瞬态 Fokker-Planck 方程的通用深度学习框架

2026-04-10

本文深度解析了最新的 TPAPS 框架，该框架结合了约束保持自编码器与演化 ResNet，实现了比 GPU 加速蒙特卡洛模拟快 10,000 倍的瞬态概率密度分布求解速度。

2026-04-03

本文深度解析 ETH Zurich 的 Markus Reiher 教授关于计算化学范式转移的最新综述，探讨基础 MLIPs 如何在十年内取代 DFT 成为化学模拟的新基石。

2026-04-02

本文深度解析了 AcepKa 预测引擎的理论内核与工程实现，探讨其如何通过 3D 深度学习与热力学系综建模解决复杂分子的质子化状态预测难题。

2026-03-26

本文深度解析了一种结合可迁移神经波函数与高斯过程回归的新型 ab initio 几何优化方法，解决了强关联体系在势能面探索中的精度与效率瓶颈。

2026-03-24

本文深度剖析了利用 LSTM-PINN 架构解决二维稳态电流体力学（EHD）中强耦合、高梯度激波类问题的最新标杆研究，展示了循环神经网络在捕捉复杂空间结构方面的巨大潜力。

2026-03-21

本文深度解析由中国科学院物理研究所等机构提出的 νTNS 框架，该架构通过深度神经网络进行全局纠缠解耦，结合张量网络进行高效压缩，在受挫海森堡模型中取得了突破性精度。

2026-03-21

本文深度解析了由华盛顿大学圣路易斯分校团队开发的1D-CNN框架，该框架通过深度学习加速金刚石NV色心ODMR光谱分析，实现了5个数量级的提速，并显著提升了低信噪比下的检测精度。

2026-03-21

本文深度解析了 William Freitas 的 ANNVMC 教程，探讨如何利用神经网络作为试探波函数解决多体量子系统基态求解问题，涵盖从一维势场到氢分子的完整演进。

2026-03-17

本文深度解析 Princeton 大学 Emily Carter 团队开发的 ECW-TL 框架，该框架结合了高精度相关波函数理论与机器学习势函数，成功解决了凝聚相复杂体系中化学精度与计算效率的矛盾。

2026-03-17

本文深度解析了由 Nicholas Gao 等人提出的 Excited Pfaffians 方法，该工作通过多态重要性采样（MSIS）和参数高效的 Pfaffian 架构，实现了激发态计算在状态数量上的近常数缩放，为跨结构、跨状态的通用波函数学习奠定了基础。

2026-02-27

PtychoPINN框架通过结合可微分物理模型与深度学习，成功实现了X射线相干成像的单次曝光、无重叠重建，显著提升了数据处理速度、剂量效率与泛化能力，为现代同步辐射和XFEL光源的科学探索开辟了新路径。

2026-02-25

本文深度解析了由北京大学、字节跳动、清华大学及中科院物理所团队合作的最新成果：通过引入 Transformer 架构与 MARCH 优化算法，在二维哈伯德模型上实现了前所未有的模拟精度与系统规模。

2026-02-24

本文深度解析了 MōLe (Molecular Orbital Learning) 架构，这是一种能够直接从 Hartree-Fock 分子轨道预测耦合簇激发振幅的等变神经网络，展示了其在量子化学计算加速与高精度波函数模拟中的巨大潜力。

2026-02-21

本文深度解析了由 Reiher 团队提出的 NQS-SC 方法，探讨其如何通过选择构型策略克服传统 NQS-VMC 在强相关体系中的采样噪声与收敛难题，标志着电子能量评估技术的重大转向。

2026-02-19

本文深度解析了如何利用 LSTM 元学习框架与 NVIDIA CUDA-Q 平台结合，通过 GPU 加速大幅提升变分量子特征值求解器 (VQE) 的收敛速度与精度，解决量子化学与物理模拟中的关键瓶颈。