量子科技中心_量科网

神经网络量子态已成为量子多体系统研究中一种强大的变分框架，近期进展常由Transformer等大规模并行架构推动。然而，递归神经网络量子态通常被视为本质上具有顺序性，因此可扩展性较差。本文重新审视了这一观点，证明现代递归架构能够支持快速、准确且计算上可行的神经量子态模拟。通过结合自回归递归波函数与并行化递归的最新进展，该团队开发了变分拟设——称为并行扫描递归神经网络量子态（PSR-NQS），该拟设可在单维和二维空间中的变分蒙特卡洛框架内高效训练。该团队展示了精确的基准测试结果，并表明通过迭代再训练，该方法可扩展至$52\times52$的二维自旋格点，同时与现有量子蒙特卡洛数据保持一致。本研究确立了递归架构作为一条实用且有前景的路径，可在有限计算资源下实现可扩展的神经量子态模拟。