量子科技中心_量科网

神经网络变分蒙特卡洛（NNVMC）已成为解决量子多体问题的强有力工具，但提高其精度的系统性方法仍主要依赖经验探索。本研究提出了一种基于物理原理的基变换方法，该方法在不增加神经网络拟设复杂度的前提下提升了变分表达能力。通过将多体波函数表述于高斯基中，该团队引入了一个可学习的局域性参数α，该参数能将目标基态重塑为更易学习的表征形式。这种方法仅带来极小的计算开销，并能与现有神经网络架构无缝结合。以三维均匀电子气为基准测试案例，研究表明优化后的基变换能持续降低FermiNet和信息传递神经网络架构的变分能量。尤其值得注意的是，该方法使后者能更精确地确定费米液体向维格纳晶体的相变点。更广泛地说，该团队的研究成果揭示了基变换作为提升连续空间NNVMC精度的新途径——表明不仅可以通过优化拟设，还能通过改善目标基态的可表征性来增强计算精度。