量子科技中心_量科网

神经网络量子态近期展现出模拟量子动力学的重要潜力，其能力超越现有变分拟设。然而迄今研究表明，利用神经网络研究强驱动量子动力学仍具挑战性。该工作系统评估了基于时间依赖变分原理（TDVP）结合计算高效显式时间积分方案时，量子动力学仿真中可能出现的数值不稳定性根源。通过受限玻尔兹曼机架构，研究人员对比了TDVP求解结果与解析解及隐式方法在猝灭强度函数中的表现。值得注意的是，该团队发现即便在没有蒙特卡洛噪声的情况下，特定猝灭强度仍会导致数值解崩溃，尽管物理观测量未显现异常。这种崩溃现象在多种不同TDVP公式中均稳定出现，包括消除Fisher矩阵小特征值或利用几何特性重构运动方程的改进方案。研究结论表明，要充分发挥TDVP方程显式时间积分的计算效率优势，需开发新方法来实现神经网络量子态对强非平衡量子动力学的模拟。