量子科技中心_量科网

各类生成式深度学习模型及其变体的发展为研究量子多体问题提供了重要洞见。该工作基于生成对抗网络（GAN）的基础架构，设计了两类模型用于研究二维量子转子模型（QRM）的基态特性与相变特征。在半监督学习框架下，研究团队在生成器中引入多层转置卷积结构，使条件GAN能更高效提取低维编码信息。通过分析不同系统尺寸下基态样本对应的一维潜变量，该团队精确定位了临界点位置。此外，研究人员将反映分布特征的动态自适应权重因子引入深度卷积GAN的损失函数，并采用上采样技术扩大生成样本规模。通过对比QRM不同磁化区域的平均磁化强度与势能密度优化过程表明，该模型能高效生成有效基态样本，显著减少计算耗时。这些成果凸显了生成式深度学习在量子相变研究中的广阔前景，尤其在临界点识别与量子多体模型模拟数据的辅助生成方面。