量子科技中心_量科网

神经量子态通过神经网络高效表征多体波函数，但蒙特卡洛采样的计算成本限制了其向大尺度系统的扩展。本研究通过将稀疏玻尔兹曼机架构与概率计算硬件相结合来解决这一挑战。该团队在现场可编程门阵列（FPGA）上实现了概率计算机，并将其作为基于能量的神经量子态快速采样器。针对临界状态下的二维横场伊辛模型，研究人员使用定制多FPGA集群获得了80×80晶格（6400个自旋）的精确基态能量。此外，该工作提出了一种双采样算法来训练深度玻尔兹曼机，通过辅助层的条件采样替代难以处理的边缘化计算。该方法不仅实现了稀疏深度模型的训练，相较浅层网络还提升了参数效率。利用该算法，研究人员成功训练出适用于35×35系统（1225个自旋）的深度玻尔兹曼机。这些成果共同证明：概率硬件能够克服量子多体系统变分模拟中的采样瓶颈，为更大系统规模和更深层变分架构的实现开辟了道路。