#paper A computational framework for neural network-based variational Monte Carlo with Forward Laplacian doi: https://doi.org/10.1038/s42256-024-00794-x 北大和字节跳动合作的文章，关注是因为一直在看计算化学领域的一些新进展。字节跳动和北京大学团队共同研究，针对神经网络变分蒙特卡罗（NN-VMC）在处理大规模量子系统时计算成本高的问题。 2. 研究团队创新性地提出了“Forward Laplacian”计算框架，通过前向传播直接高效计算神经网络相关拉普拉斯部分，显著提升NN-VMC计算效率。 3. 他们还设计了名为“LapNet”的高效神经网络结构，利用Forward Laplacian优势，大幅减少了模型训练所需的计算资源。 4. 结合Forward Laplacian和LapNet的NN-VMC方法在多种化学系统中展现出优越的性能，可准确计算绝对能量和相对能量，与实验数据和金标准计算方法吻合度高。 5. 尽管已有显著进步，但团队指出，未来还需要将更多化学和物理知识融入NN-VMC方法中以解决部分应用场景中的差异问题，同时Forward Laplacian有望在更广泛的量子力学及基于神经网络的偏微分方程求解领域发挥作用。