量子科技中心_量科网

该团队通过在学习玻姆轨迹上的得分函数（即对数概率密度的梯度）来求解含时薛定谔方程。在玻姆的量子力学表述中，粒子在经典势场和取决于演化密度得分函数的量子势场共同作用下遵循确定性路径。这些互不交叉的玻姆轨迹构成了由得分函数控制的连续归一化流。研究人员采用神经网络对得分函数进行参数化，并最小化网络与所得密度得分函数之间的自洽费希尔散度。该工作证明，对于无节点波函数（原子量子振动中自然满足的条件），该自洽目标的零损失极小化器可恢复薛定谔动力学。该方法在双势阱中的波包分裂和莫尔斯链的非简谐振动中得到验证。通过将实时量子动力学重构为自洽得分驱动的归一化流，该框架为含时薛定谔方程开启了与现代生成建模快速进步工具集的对接。