量子科技中心_量科网

深度学习通过神经网络波函数为量子多体问题提供了一种强大的求解方法，但其优化过程仍是一个严重瓶颈。现有优化方法，包括自然梯度下降和随机重配置，受限于能隙依赖的收敛性，在处理具有竞争序和近乎简并基态的系统（如受挫磁体和强关联电子材料）时效果不佳。本文通过将基态搜索重新表述为特征值问题，提出了投影逆迭代方法。该方法实现了快速且对能隙不敏感的收敛，同时保持了随机重配置在多项式计算复杂度上的优势。在具有挑战性的二维自旋系统（包括高度受挫的 \(J_1\)-\(J_2\) 模型）上，投影逆迭代方法优于标准优化技术，为在能隙较小时发现复杂量子态提供了一种有前景的算法策略。更广泛地看，投影逆迭代可被解释为一种专为特征值问题设计的新型自然梯度方法，从而为深度学习中的相关挑战开辟了应用空间。