量子科技中心_量科网

精确模拟周期性扩展系统是凝聚态物理领域的核心挑战。神经网络量子态（NQS）为此提供了具有表达力的波函数表征，但其可扩展性仍存在问题。该研究团队成功将神经网络回流（NNBF）方法拓展至固态材料的从头计算领域。基于前期开发的分子体系可扩展优化框架[Liu et al., PRB 112, 155162 (2025)]，研究人员引入两阶段剪枝策略以应对构型空间的指数级膨胀：通过采用计算成本低廉、具有物理意义的重要性代理指标，该工作将精确的NNBF振幅计算仅分配给最相关的行列式，显著提升了优化效率、能量估算精度和收敛性。 该框架在多种固态基准测试中达到了最先进精度。对于一维氢原子链体系，NNBF的计算精度匹配或超越密度矩阵重整化群（DMRG）和辅助场量子蒙特卡洛（AFQMC）方法，在耦合簇方法失效的强关联键断裂区域仍保持稳健性能，并能平滑外推至热力学极限。研究人员进一步通过计算二维石墨烯和三维硅材料的基态势能曲线，验证了该方法的可扩展性。最后的消融实验证实了剪枝策略的计算效率优势，并揭示了NNBF能量对基组选择的依赖性。