该研究团队发现了一种高效方法，通过矩阵乘积态（MPS）的规范多分量（CP）分解，将其近似转化为由多项式隐藏单元组成的受限玻尔兹曼机波函数。该方法能在变分参数数量的多项式时间内，为量子多体基态计算生成表现良好的初始神经网络量子态，并通过提升CP分解的秩值系统性地缩短初始态与基态之间的距离。研究人员以横向场伊辛模型为例验证了该方法的有效性，并探讨了该方法在基态波函数具有复杂节点结构的更广泛量子多体系统中的潜在应用前景。
