量子科技中心_量科网

神经量子态（NQS）是变分蒙特卡洛框架中的强大拟设，但其架构常被视为黑箱。该研究团队提出了一种物理透明的框架，将NQS视为潜在虚时演化的神经近似。这一观点表明，基于标准Transformer的NQS（TQS）架构对应于潜在空间中依赖虚时的、缺乏物理依据的有效哈密顿量。基于此解释，研究人员引入了物理启发的Transformer量子态（PITQS），通过跨层共享权重强制实现静态有效哈密顿量，并利用Trotter-Suzuki分解在不增加变分参数数量的情况下提高传播精度。对于阻挫J₁-J₂海森堡模型，该团队的拟设在显著减少变分参数的同时，实现了与最先进TQS相当或更高的精度。这项工作表明，将深度网络结构重新解读为潜在冷却过程，可实现更基于物理原理、系统化且紧凑的设计，从而弥合黑箱表达力与物理透明构造之间的鸿沟。