神经量子态（NQS）因其可扩展性和灵活性，已成为求解二次量子化哈密顿量的前沿方法。该工作设计并评估了适用于量子嵌入方法的NQS杂质求解器，重点关注幽灵古兹维勒近似（gGA）框架。研究人员提出了一种基于图变换器的NQS框架，能够表征任意连接的杂质轨道，并开发了误差控制机制以稳定量子嵌入循环中的迭代更新。通过安德森晶格模型的gGA基准测试，该团队验证了该方法的准确性，其结果与精确对角化杂质求解器高度吻合。最后，计算资源分析表明：该方法的主要瓶颈在于嵌入循环所需的高精度物理观测量采样，而非NQS变分优化过程，这直接凸显了开发高效推理技术的迫切需求。
作者所在地：
VIP可见
作者单位：
VIP可见
提交arXiv：
2025-09-15 20:33
