量子科技中心_量科网

由于已知神经网络能有效表示各类张量网络态和体积律纠缠态，但确定哪些特性决定了神经量子态（NQS）的表征能力仍是一个悬而未决的问题。该研究团队构建了中等质量原子核基态的NQS表示（这些态通常具有显著纠缠性和非稳定特性），以研究其性能与目标态量子复杂度之间的关系。通过利用专为核物理应用定制的NQS二次量子化表述，研究人员在活性轨道空间中使用受限玻尔兹曼机（RBM）这一典型NQS拟设进行计算。在固定组态数量的情况下，该团队发现非稳定特性更强的态系统地更难学习，表现为精度下降。这一发现表明，在纠缠态区域中，非稳定特性是决定RBM压缩能力和表征效率的主要因素，并推动将此类研究扩展到更复杂的网络架构中。