量子科技中心_量科网

当与神经量子态等高表达性的拟设函数结合时，变分蒙特卡洛（VMC）构成了一种处理平衡态及非平衡态量子多体问题的通用数值方法。然而，其传统公式存在细微的估计偏差，导致计算不准确，这在处理实时动力学问题时尤为不利。在本研究中，该团队探索了两种规避该估计偏差的途径。首先，该团队提出了一种无偏的时间依赖VMC变体，该方法利用基于Born分布截断形变的自归一化重要性采样。该工作通过病态及一般性的淬火动力学案例，验证了该方法的可行性与准确性。此外，该团队还探索了一种基于张量交叉插值（TCI）的主动学习替代采样策略。尽管研究发现该工作选择的张量网络结构缺乏所需的低秩特性，但提出的基于TCI的算法补充了传统重要性采样范式，为未来研究提供了可供进一步探索的替代视角。