量子蒙特卡洛是一种高精度的电子结构计算方法。本次报告中, 我们将主要讨论近些年基于神经网络架构的机器学习量子蒙特卡洛方法的发展, 机器学习的框架很大程度上解决了量子蒙特卡洛中的拟设困境和符号问题等重要难点, 使得量子蒙特卡洛在针对强关联电子体系的计算中可以获得更高的精度和更稳定的表现。我们将主要讨论本人与合作者在机器学习量子蒙特卡洛算法开发方面的努力, 尤其是在精度改善、效率提升和应用拓展方面的系列进展。

陈基是北京大学物理学院凝聚态物理与材料物理研究所研究员、助理教授、博士生导师。2009年本科毕业于中国科学技术大学物理系, 2014年于北京大学物理学院获博士学位, 英国伦敦大学学院博士后, 德国马普所固体研究所洪堡博士后。入选国家海外高层次青年人才, 获北京市基金杰出青年项目等资助。主要研究方向和兴趣是量子蒙特卡洛和机器学习计算方法的发展, 以及应用先进计算方法研究水和碳等凝聚态物质。