QMCPACK is an open source quantum Monte Carlo package for ab initio electronic structure calculations. It supports calculations of metallic and insulating solids, molecules, atoms, and some model Hamiltonians. Implemented real space quantum Monte Carlo algorithms include variational, diffusion, and reptation Monte Carlo. QMCPACK uses Slater–Jastrow type trial wavefunctions in conjunction with a sophisticated optimizer capable of optimizing tens of thousands of parameters. The orbital space auxiliary-field quantum Monte Carlo method is also implemented, enabling cross validation between different highly accurate methods. The code is specifically optimized for calculations with large numbers of electrons on the latest high performance computing architectures, including multicore central processing unit and graphical processing unit systems. We detail the program's capabilities, outline its structure, and give examples of its use in current research calculations. The package is available at http://qmcpack.org.

quantum Monte Carlo (QMC) is a state-of-the-art numerical approach for evaluating accurate expectation values of many-body wave functions. However, one of the major drawbacks that still hinders widespread QMC applications is the lack of an affordable scheme to compute unbiased atomic forces. In this study, we propose an efficient method to obtain unbiased atomic forces and pressures in the variational Monte Carlo (VMC) framework with the Jastrow-correlated Slater determinant ansatz or the Jastrow antisymmetrized geminal power ansatz, exploiting the gauge-invariant and locality properties of their geminal representation. We demonstrate the effectiveness of our method for H2 and Cl2 molecules and for the cubic boron nitride crystal. Our framework has a better algorithmic scaling with the system size than the traditional finite-difference method and, in practical applications, is as efficient as single-point VMC calculations. Thus, it paves the way to study dynamical properties of materials, such as phonons, and is beneficial for pursuing more reliable machine-learning interatomic potentials based on unbiased VMC forces. Published by the American Physical Society 2024