量子科技中心_量科网

由于多体希尔伯特空间的指数级扩展特性，精确计算基态能量始终是量子化学领域的核心挑战。变分蒙特卡洛方法和变分量子本征求解器虽提供了有前景的变分波函数优化途径，但在收敛性和硬件限制方面仍存在不足。该研究团队提出了一种基于自回归神经网络（ARNN）的选择性组态相互作用（SCI）算法，通过神经网络引导的子空间扩展来搜索基态。该工作利用自回归神经网络的独特性质，从学习到的基态统计特征中高效构建紧凑的变分子空间，从而加速基态能量的收敛。分子体系测试表明，这种神经网络引导的子空间扩展方法融合了神经网络表示与经典子空间方法的优势，为经典算法及量子-经典混合算法提供了可扩展的计算框架。