102
// 项目简介
JaQMC 是一个基于 JAX 构建的模块化框架，旨在执行神经网络量子蒙特卡洛模拟。它利用深度神经网络作为变分波函数，以高精度求解电子薛定谔方程。该平台通过可替换的独立组件，支持包括分子、固体和分数量子霍尔态在内的多种量子系统。
// 技术分析
JaQMC 是一个基于 JAX 的框架，专为神经网络量子蒙特卡洛模拟而设计，无需依赖传统的基组或密度泛函即可求解电子薛定谔方程。其架构严格模块化，将波函数、采样器、估计器和优化器解耦，从而能够灵活地对不同的物理模型和损失函数进行实验。通过利用 JAX，该项目提供了自动微分、JIT 编译和多设备并行等高性能特性，使其成为模拟分子、固体和分数量子霍尔态等复杂量子系统的强大工具。
// 核心亮点
01
模块化设计允许用户独立替换波函数、采样器和优化器，而无需重写核心代码库。
02
内置对多种量子系统的支持，包括分子、固态材料和分数量子霍尔效应。
03
包含预先实现的先进架构（如 FermiNet 和 PsiFormer），可直接用于研究应用。
04
利用 JAX 提供自动微分、JIT 编译和无缝的多设备并行处理，以实现高性能计算。
05
通过 CLI 或代码提供广泛的配置选项，支持 KFAC、SR 和 Adam 等多种优化器。
06
为 GPU 加速提供专门的安装路径，包括捆绑 CUDA 库或本地系统安装的选项。
// 典型使用场景
01
求解原子、分子和晶体的电子薛定谔方程
02
实现 FermiNet 和 PsiFormer 等先进的神经网络架构
03
利用 JAX 加速优化进行高性能量子模拟
// 快速开始
首先，克隆存储库并在 Python 3.12 环境中使用 uv 或 pip 安装依赖项。安装完成后，您可以直接从命令行执行模拟，例如通过 'jaqmc hydrogen-atom train' 运行氢原子训练任务。用户可以通过 CLI 修改参数，或查阅提供的分子和固态工作流文档，进一步自定义这些运行。