量子科技中心_量科网

准确估计量子多体系统的基态能量仍然是一项具有挑战性的计算任务，因为希尔伯特空间会随系统规模呈现指数级增长。基于样本对角化（SBD）方法通过将哈密顿量投影到选定基组张成的子空间来解决这一问题。该研究团队在本文中提出了两种神经网络增强的SBD方法：基于样本的神经对角化（SND）和自适应基组SND（AB-SND）。这两种方法均采用自回归神经网络高效采样相关基组构型，其中AB-SND还额外优化了参数化基组变换，使基态波函数更加集中。研究人员考虑了不同类型的基组变换：可在经典计算机上处理的单自旋及非重叠双自旋旋转，以及可通过量子电路实现的表达能力更强的全局幺正变换。通过对各类量子伊辛模型的测试，该工作证明SND对集中型基态具有高精度，而AB-SND始终优于SND和传统SBD方法，甚至能适用于原始计算基组中非集中基态的研究场景。