量子科技中心_量科网

神经网络量子态（NQS）已成为模拟多体量子系统的有力工具，但其实际应用常受限于当前采样技术的瓶颈。传统马尔可夫链蒙特卡洛（MCMC）方法存在混合速度慢且需手动调参的缺陷，而自回归型NQS则因架构限制导致对称性施加困难，且难以构建基于行列式的多态波函数。该工作提出的神经重要性重采样（NIR）算法，通过将重要性重采样与独立训练的自回归提议网络相结合，实现了无需约束NQS架构的高效无偏采样。研究表明，NIR不仅能支持包括多态NQS在内的稳定可扩展训练，还能有效缓解MCMC和自回归方法面临的难题。在二维横场伊辛模型上的数值实验中，NIR在挑战性参数区间表现优于MCMC，其结果可与密度矩阵重整化群（DMRG）方法相媲美。这些发现确立了NIR作为变分NQS算法中可靠采样方案的地位。