量子科技中心_量科网

该研究团队提出了一种混合变分框架，通过基于标准化流的采样器增强神经量子态（NQS），从而提升量子多体波函数的表达能力和可训练性。该方法通过构建针对希尔伯特空间离散化振幅支撑子空间的连续流模型，将采样任务与变分拟设解耦，克服了马尔可夫链蒙特卡洛（MCMC）和自回归方法的局限性，尤其在处理长程关联和体积律纠缠体系时效果显著。 在应用于含短程与长程相互作用的横场伊辛模型时，该方法获得了与最先进矩阵乘积态相当的基态能量误差，且能量值低于自回归神经量子态。对于50个自旋以内的系统，研究证明该方法在包括竞争性方法失效的耦合强度区间内，均能实现高精度和稳健收敛。这些成果彰显了流辅助采样作为可扩展量子模拟工具的实用性，为高维希尔伯特空间中学习高表达能力量子态提供了新思路。