量子科技中心_量科网

神经量子态是模拟多体量子动力学的一个有前景的框架，因为它们能够表示具有体积律纠缠态的状态。随着时间演化，神经网络参数通常在离散时间步长上进行优化，以近似每个时间点的波函数。鉴于薛定谔方程推导出的波函数可微性，该研究团队在此通过将神经网络参数表达为具有可训练、时间无关系数的时域基函数的线性组合，实现了神经网络参数的时连续可微分参数化。该工作测试了这种被称为“平滑神经量子态”（s-NQS）的拟设——其损失函数定义在扩展时间区间上——在不可积多体量子自旋链的突然淬火条件下的表现。研究表明，仅使用受限玻尔兹曼机作为瞬时神经网络架构即可实现精确的时间演化。此外，该方案在参数数量上具有高效性，且平滑神经量子态允许研究人员在训练集未包含的时间点（包括训练区间内外的时刻）初始化并评估波函数。