量子科技中心_量科网

神经量子态（NQS）为多体波函数提供了灵活的变分框架，但存在计算成本高和可解释性受限的问题。该研究团队提出DysonNet——通过全局线性层耦合严格局域非线性特性的广义NQS架构，其结构类似于截断的戴森级数，可将局域波函数更新直观解释为静态杂质散射。通过重求和散射级数，采用名为ABACUS的算法能以与系统尺寸无关的𝒪(1)时间复杂度实现单自旋翻转更新。当结合状态空间模型S4实现时，DysonNet计算局域估计量的速度较视觉Transformer提升达230倍，对应训练时间尺度实现了渐进式𝒪(N²)改进，在面积律相中达到𝒪(Nlog²N)的总训练复杂度。针对一维长程伊辛模型和受挫J₁-J₂链的基准测试表明，DysonNet在保持顶尖NQS精度的同时消除了主要的局域更新开销。更广泛而言，该工作为可扩展NQS架构指明了一条新路径——物理可解释性可直接转化为计算效率优势。