WikiEdge:ArXiv速递/2025-03-26

摘要

原文标题：Orbital optimization of large active spaces via AI-accelerators
中文标题：基于AI加速器的大活性空间轨道优化
发布日期：2025-03-26 16:29:44+00:00
作者：Örs Legeza, Andor Menczer, Ádám Ganyecz, Miklós Antal Werner, Kornél Kapás, Jeff Hammond, Sotiris S. Xantheas, Martin Ganahl, Frank Neese
分类：physics.chem-ph, cond-mat.str-el
原文链接：http://arxiv.org/abs/2503.20700v1

中文摘要：我们提出了一种高效的轨道优化方法，该方法将高度GPU加速的自旋适应密度矩阵重整化群(DMRG)方法与ORCA程序包中实现的量子化学完全活性空间自洽场(CAS-SCF)方法相结合。利用最新一代Nvidia GPU硬件的计算能力，我们在包含数千个轨道中数百个电子活性空间尺寸的分子体系中，实现了前所未有的CAS尺寸轨道优化——最高达82个电子和82个轨道CAS(82,82)。针对NVIDIA DGX-A100和DGX-H100硬件，我们对多环芳烃和不同尺寸铁硫复合物构成的基准体系进行了详细的DMRG-SCF方法缩放和误差分析。我们的研究首次证明，在大键维度下进行高精度 DMRG计算对获得可靠收敛的CAS-SCF能量至关重要。对于更具挑战性的铁硫基准体系，我们还发现收敛CAS-SCF计算的优化轨道对DMRG参数的敏感性高于多环芳烃体系。这种能在数天内获得如此大尺寸活性空间的收敛CAS-SCF能量和轨道的能力，降低了将适当轨道纳入CAS或选择正确最小CAS的挑战，可能为解决强关联分子体系开辟全新途径。

中文摘要：供应链网络（SCN）构成任何社会的结构性支柱。它们通过协调地球上几乎每一个个体，形成了为所有人生产一切的社会新陈代谢系统。SCN绝非静态存在，而是通过企业的进出和供应关系的重组持续演变。本研究利用独特数据集追踪了一个国家SCN中企业及其供需关系的时间演化。基于匈牙利2014至2022年按月申报的增值税数据，我们重建了包含711,248家企业和38,644,400条连接的整体经济网络，以企业级分辨率捕捉了整个经济体的每次重构事件。研究发现：每年约25%的企业退出SCN，同时28%的新企业加入；平均55%的年度供应关系会在次年消失；供应关系的半衰期为13个月。新连接以超偏好依附方式链接企业，概率满足$p(i)\propto k_i^{1.08}$（$k_i$表示企业$i$的连接数）。我们校准的简易统计网络生成模型成功复现了匈牙利主导SCN的典型特征，不仅能重现入/出度分布、同配性和聚类结构等局部特征，还能捕捉真实的系统性风险轮廓。该模型揭示了经济重连动态对量化系统韧性和估计冲击传导的关键作用。

中文摘要：我们提出了一种系统误差完全受控的格点QCD计算，用于确定π介子标量形状因子及相关半径。计算结果基于17个规范系综的大规模数据集，这些系综采用$N_f=2+1$威尔逊Clover改进海夸克配置。这些系综覆盖了从$a=0.049\mathrm{fm}$到$a=0.086\mathrm{fm}$四种格点间距、$130-350\mathrm{MeV}$的π介子质量范围以及多种物理体积。通过对著名的夸克断开贡献的精确测定，我们首次在接近物理夸克质量的大尺寸精细系综上实现了形状因子前所未有的动量分辨率。研究采用了$1.0\mathrm{fm} \lesssim t_\mathrm{sep} \lesssim 3.25\mathrm{fm}$范围内多种源汇间距，可靠地提取了零动量转移和非零动量转移下的相关基态矩阵元。这使得我们能够首次通过所得形状因子$Q^2$依赖性的$z$展开参数化（而非小动量转移下的简单线性近似）来获取标量半径。半径的物理外推采用三味NLO手征微扰理论，以三个低能常数（包括$L_4^r$的首个格点测定值）来参数化夸克质量依赖性。通过基于赤池信息准则的模型平均方法，我们系统评估了基态提取、形状因子参数化以及物理外推对最终结果的系统不确定性影响。

中文摘要：摘要：给定图$G$和种子节点$v_s$，局部图聚类（LGC）的目标是在与$C_s$大小近似线性相关的时间内，识别出围绕$v_s$的子图$C_s$（即局部簇）。这种方法无需访问整个图即可生成个性化簇，使其特别适用于涉及大规模图的应用场景。然而，现有解决方案大多仅依赖图中节点的拓扑连接性，容易受到现实图数据中普遍存在的缺失或噪声链接的影响。为解决这一问题，本文利用图拓扑与节点属性的互补特性来提升局部聚类质量。为有效挖掘属性信息，我们首先将LGC建模为双向扩散分布（BDD）的估计问题，该模型专门用于捕捉含属性节点的多跳关联性。进一步提出LACA方法——一种高效且具备严格理论保证的LGC解决方案，其核心包括：(i) 基于理论基础的快速节点属性预处理技术；(ii) 具有加速收敛特性的自适应向量扩散算法；(iii) 高效的三步式BDD近似方案。通过在8个真实数据集上与17种方法的对比实验表明，LACA在真实局部簇的评估指标上全面优于现有方法，同时速度提升达数量级。代码已开源：https://github.com/HaoranZ99/alac。