量子多体系统中的神经化费米子张量网络
该研究团队描述了一类“神经化费米子张量网络态”(NN-fTNS)方法，通过本地张量的神经网络非线性变换，将非线性引入费米子张量网络。该构建利用fTNS代数实现自然费米子符号结构，与标准张量网络算法兼容，并通过神经网络参数化获得更强的表达能力。以一维和二维费米-哈伯德模型为基准，研究表明相比相同键维度的纯fTNS，NN-fTNS在基态能量上实现了数量级提升，且可通过张量网络键维度和神经网络参数化进行系统性改进。与现有基于斯莱特行列式和帕菲安形式的费米子神经量子态(NQS)相比，NN-fTNS提供了物理动机更强的替代费米子结构。此外，相较于此类量子态，NN-fTNS自然表现出更优的计算复杂度，该工作展示了一种实现与晶格尺寸线性复杂度关联的构建方法。
