量子科技中心_量科网

该研究团队提出了一种名为神经张量网络态（ν-TNS）的变分多体波函数拟设，该架构将深度神经网络与张量网络结构相结合。在ν-TNS框架中，神经网络作为波函数的解纠缠器，将物理自由度转化为纠缠度显著降低的重整化变量，随后通过回流张量网络对重整化态进行高效编码。这种构造为强关联量子态提供了紧凑且高表达能力的表示方法。 以卷积神经网络与矩阵乘积态结合的具体实现为例，该工作针对方形晶格上自旋1/2的J1-J2海森堡模型（在高度阻挫点J2/J1=0.5处），在周期边界条件下20×20尺寸系统中获得了当前最先进的变分能量。对自旋、二聚体和晶胞关联函数的有限尺寸标度分析显示，其具有幂律衰减特征而无磁序或价键长程有序，与该点存在无能隙量子自旋液体基态的结论一致。 这种ν-TNS框架具有灵活性，可自然扩展到其他神经网络和张量网络结构，为研究强关联量子多体系统提供了通用平台。