量子科技中心_量科网

研究团队引入了自回归图模型（AGMs）作为建模stoquastic哈密顿量基态的一种变分方法。通过对较小系统的精确学习，研究人员发现自回归分解中成对项的主导地位，这为在将变分方法用于寻找更大系统基态表示时的建模选择提供了依据。研究团队发现，使用一阶随机梯度方法训练的具有成对能量函数的简单AGM，通常优于使用更昂贵的随机重构方法训练的复杂非线性模型。研究人员还在具有阻挫的哈密顿量上测试了该模型，并观察到在资源有限的情况下，这里使用的更简单的线性模型显示出更快的收敛到变分最小值。