Kuantum kimyası alanında önemli bir ilerleme kaydeden araştırmacılar, Neural Network Quantum States (NQS) sistemlerinin optimizasyonu için yeni bir deterministik framework geliştirdi. Bu yaklaşım, geleneksel stokastik optimizasyon yöntemlerinin karşılaştığı örnekleme varyansı ve yavaş karışım sorunlarını başarıyla çözüyor.
Geliştirilen yöntem, sinir ağı backflow ansatz'ını dinamik olarak gelişen konfigürasyon alt uzaylarına projeksiyon yaparak çalışıyor. Sistem, post-hoc ikinci derece pertürbatif düzeltme uygulayarak, dalga fonksiyonunun seçili varyasyonel bileşenini optimize ediyor ve kalan korelasyonu pertürbatif düzeltme yoluyla tahmin ediyor.
Araştırmanın en dikkat çekici özelliği hibrit CPU-GPU mimarisinin kullanımı. Bu mimari, test edilen aralıkta alt uzay boyutuna göre empirik alt-lineer duvar zamanı ölçeklemesi gösteriyor. Bu sayede sistem, 10^23 konfigürasyon içeren Hilbert uzaylarında hesaplama yapabilme kapasitesi sunuyor.
Metodun pratikte başarısı, krom dimeri gibi güçlü korelasyonlu sistemlerin hesaplanmasında ortaya çıkıyor. Moleküler bağ kopmalarındaki benchmark testleri, deterministik yaklaşımın kararlı yakınsama sağladığını gösteriyor. Bu gelişme, kuantum kimyasında karmaşık moleküler sistemlerin analizinde yeni imkanlar yaratıyor.