量子科技中心_量科网

基于自回归循环神经网络（RNN）的量子态波函数能够实现无需马尔可夫链自相关的有效采样，但标准RNN架构存在有限长度相关性偏好，难以处理具有长程依赖关系的量子态。常见解决方案是采用Transformer式自注意力机制，但这通常伴随显著增加的计算与内存开销。本文提出一种膨胀RNN波函数方法，其循环单元通过膨胀连接访问远端位点，在保持前向计算复杂度为𝒪(N log N)优势的同时，注入了显式的长程归纳偏置。理论分析表明，膨胀操作改变了相关几何结构，在简化线性微扰条件下可诱导幂律相关性标度。数值实验中，针对临界一维横场伊辛模型，膨胀RNN成功再现了预期的幂律关联两点相关函数，与传统RNN拟设典型的指数衰减形成鲜明对比。进一步研究表明，该膨胀RNN能精确逼近一维簇态——这个曾被报道对基于RNN的波函数具有挑战性的典型案例，完美展现了长程条件相关性特征。这些成果证明，膨胀机制是构建具备相关性感知能力的自回归神经量子态的一种简洁几何策略。