最近，一篇刚出现不久的论文得到了多位机器学习领域重量级人物的推荐：Deep learning and the Schr¨odinger equation。点击阅读原文下载此论文。
Yann LeCun：来自我们「卷积网出乎意料的应用」（unexpected applications of ConvNets）部门的消息：将 2D 电位馈送到一个网络（作为图像），并根据薛定谔方程训练卷积网络（ConvNet）可计算该电位中单个电子的能量谱。
训练数据通过实际的薛定谔方程解算器产生。
卷积网络（ConvNet）似乎在吐出稳定状态的能量方面做得很好。
论文：Deep learning and the Schr¨odinger equation
摘要
在约束二维静电势（electrostatic potentials）的四态中，我们训练了一个深度（卷积）神经网络来预测一个电子的基态能量（ground-state energy）。在随机生成的电势中，对于没有分析形式的电势或基能，神经网络模型能够在化学精度内预测中值绝对误差为 1.49mHa 的基能。我们还检验该模型在预测其他量上的表现，如动能（kinetic energy）和随机电势的第一激发态能量（the first excited-state energy of random potentials.）。虽然演示这种方法用的是简单易处理的问题，但所得模型的可转移性和优异性能表明深层神经网络可进一步应用于电子结构的问题。
