量子科技中心_量科网

神经网络参数化方法在变分蒙特卡洛（VMC）中用于表征基态和激发态已取得显著成效。然而传统VMC方法仅优化概率峰值区域的波函数，导致概率分布尾端的波函数不受控，这会限制训练波函数近似的精度。为提高概率尾端的近似精度，本研究将VMC阐释为波函数空间中的梯度流接续投影步骤的理论框架。基于这一视角，投影步骤可采用任意概率分布，使用户能优先提升态空间不同区域的精度。受此理论启发，该团队在周期性自旋链的反铁磁海森堡模型上测试了新型加权VMC方法。与传统VMC相比，加权VMC将基态能量误差降低为原先的1/2，并将远离模态区域的局部能量误差显著降低了10²至10⁴量级。