量子科技中心_量科网

神经网络量子态（NQS）是一种强大的神经网络拟设，通过变分原理的视角，已成为研究量子多体物理的有前途工具。这些架构已知能通过增加参数数量实现系统性改进。该研究团队通过递归神经网络（RNN）的实例，展示了一种自适应优化NQS的方案——仅需部分计算成本即可降低训练波动，同时提升针对一维和二维空间典型模型基态的变分计算质量。该自适应技术通过训练小型RNN并将其复用为大型RNN的初始化，显著降低了计算开销。该工作为优化图形处理器（GPU）资源在大规模NQS模拟中的部署提供了新可能。