量子科技中心_量科网

机器学习正迅速进入计算量子物理学领域。该方向上最受欢迎且被广泛研究的方法之一，是利用神经网络在量子力学的哈密顿表述中对量子态（NQS）进行建模。然而，另一种利用机器学习解决物理问题的途径是通过路径积分表述——迄今为止这一方法获得的关注要有限得多。 本工作中，研究人员探索了如何运用强化学习计算一类欧几里得路径积分，这类积分可生成量子系统的热密度矩阵，从而实现对自由能或其他热力学期望值的计算。特别值得注意的是，该团队提出了一种具有独特优势的两步法：第一步获得某物理量的变分近似结果后，第二步即可利用该近似高效计算出精确解。 该方法在多个简单系统中经过基准测试后，被进一步应用于量子转子链的研究。