量子科技中心_量科网

神经网络量子态（NQS）在近似量子多体系统基态方面表现卓越，但对简并流形所有态的近似仍面临高昂计算成本。该研究团队提出一种“单主干多头部”（ST-MH）的NQS集成架构：通过共享特征提取主干网络，同时为每个目标态配置轻量级头部网络。通过引入含正交项的代价函数，研究人员推导出在标准变分蒙特卡罗（VMC）流程中训练ST-MH所需的精确解析梯度与重叠导数。 研究证明：当潜在宽度为h的特征映射（附加常数项）的列空间包含目标态对数模量、（选定）相位分支及公共支撑集上非零常数的线性张成时，ST-MH能精确表示所有简并本征态。在此条件下，相较于其他算法，ST-MH能降低参数量并在中等简并度K值及主干主导区域，将主要VMC计算成本降低K倍。 作为原理验证，该工作选取周期环状晶格（最多8位点）上受挫自旋-1/2 J1-J2海森堡模型的Majumdar-Ghosh点进行ST-MH方法的数值验证与基准测试。通过获取动量本征态，实验表明ST-MH能在显著降低计算资源消耗的同时，在整个简并基态流形上实现高保真度与能量精度。最后，该研究提供了定性计算成本分析，阐明了在特定潜在宽度标准下ST-MH集成方法的适用优势。