2024 年 8 月 23 日，谷歌 DeepMind 团队在量子化学领域提出了一种无参数的新方法：自然激发态变分蒙特卡罗（NES-VMC）。这一方法通过神经网络提升了激发态计算的准确性。激发态的准确建模对于理解光与物质的相互作用至关重要，可用于设计光催化剂、荧光染料、量子点、发光二极管（LEDs）、激光器和太阳能电池等。
DeepMind 团队的研究通过将变分蒙特卡罗（VMC）推广到激发态，把求解激发态问题转化为扩展系统的基态问题，无需正交化处理即可自动保证激发态的线性独立。此外，结合 FermiNet 和 PsiFormer 神经网络模型，该方法能够计算分子的激发能和振子强度，包括过渡偶极矩等。
NES-VMC 方法在实验中表现良好，特别是在复杂分子（如苯）的垂直激发能量预测中，取得了精确的结果。研究人员发现，该方法在复杂的双重激发系统中得到了与实验值接近的垂直激发能。
NES-VMC 方法的实际应用前景广泛。在光催化剂的设计中，准确的激发态计算可以帮助科学家理解光催化反应的机制，从而设计出更高效的光催化剂。在荧光染料和量子点的开发中，NES-VMC 方法可以提供精确的激发能和振子强度计算，帮助科学家设计出具有更好光学性能的材料。此外，在发光二极管（LEDs）和激光器的设计中，准确的激发态计算可以帮助优化材料的发光效率和稳定性。