量子科技中心_量科网

深度神经网络能够表示多种截然不同的函数，包括复杂的量子多体态。张量网络同样可以表征这些态，且具备更多结构特征并更易优化，但在二维或更高维度中的计算成本可能高得令人却步。该研究团队提出了一种结合两种形式主义特征的感知机变体——感知链（perceptrain），并由此构建了由简单感知链网络组成的变分多体拟设。该网络可视为继承张量网络若干特性的神经网络，其特点包括：类似密度矩阵重整化算法的局部高效优化（而非同时优化所有参数）；优化过程中动态增加参数数量的可能性；避免过拟合的状态压缩能力；以及保持量子启发式结构。研究团队在10×10横场量子伊辛模型中结合变分蒙特卡洛（VMC）与格林函数蒙特卡洛（GFMC）方法进行验证，该模型具有长程1/r⁶反铁磁相互作用，对应量子退火领域提出的里德伯（冷）原子平台。在所有参数区间（包括量子相变临界区域）均获得极高的基态能量相对精度：VMC约为10⁻⁵，GFMC达10⁻⁶。该方案仅需2-5级的极小感知链秩数，而矩阵乘积态通常需数千倍参数。较之神经网络波函数常见的敏感性，该方法的能量优化对初始条件和超参数选择展现出优异鲁棒性。