量子科技中心_量科网

科学计算领域长期依赖双精度（64位浮点）运算来确保现实世界现象模拟的准确性。然而，随着图形处理器（GPU）等硬件加速器的普及，低精度格式因其卓越性能、更低内存占用和更高能效而备受关注。该研究团队在基于神经网络的变分蒙特卡洛方法（VMC）——这一广泛用于求解计算难解量子多体系统的方法中，探索了混合精度运算的作用。研究首先推导了Metropolis-Hastings马尔可夫链蒙特卡洛方法在降低精度时引入误差的通用解析边界，随后通过VMC用例实证验证了这些边界。研究表明，该算法的重要环节（特别是量子态采样）完全可以在半精度下执行而不损失精度。更广泛地说，该工作为评估混合精度运算在依赖MCMC采样的机器学习方法中的适用性提供了理论框架。在VMC背景下，研究还证实了混合精度策略的实际有效性，为量子多体系统模拟提供了更具可扩展性和能效优势的解决方案。