量子科技中心_量科网

机器学习（ML）方法显著提升了变分量子蒙特卡洛（QMC）计算的精度和应用范围，尤其在探索自旋系统表现出的多种量子现象方面。然而，QMC的可扩展性仍受制于其他瓶颈问题，特别是基于随机偏差的观测量计算环节——这一方法的核心步骤。本研究展示了如何利用集合变换器架构来大幅加速甚至跳过该步骤，尤其针对耗时算子（如磁化强度的幂次运算）。该团队通过从经典伊辛模型到具有长程相互作用的量子系统等一系列复杂度递增的案例，同时涵盖回归（预测观测量）和分类（检测相变）任务，阐释了该方法的有效性。此外，研究人员还演示了如何通过迁移学习复用不同系统和较小尺度下的知识以降低训练成本。