量子科技中心_量科网

变分神经网络模型在求解量子多体系统的基态问题中已取得显著成功。然而，处理经典和量子自旋玻璃仍然充满挑战，因为无序和能量阻挫会产生指数级数量的局域能量极小值，且被高能垒分隔，这阻碍了传统基于Metropolis的蒙特卡洛方法的效率。为弥合这一差距，该团队引入了深度玻尔兹曼量子态，这是一类受深度玻尔兹曼机启发的神经量子态，继承了高效的块吉布斯采样能力。该研究还在训练算法上提出了两项关键进展。首先，将自然梯度更新与最先进的随机优化器相结合。其次，通过从简单区域到困难区域的插值，逐渐调节问题哈密顿量的难度，而无需在中间时刻精确逼近瞬时绝热态。该团队在多个具有无限范围相互作用、包含数百个自旋的经典和量子伊辛自旋玻璃模型实例上，匹配了精确解或已知最优解。该研究还解决了超出当前量子退火硬件局限的NP难作业车间调度问题实例。总之，具备高效全局更新规则并采用类退火方案训练的深度神经架构，为解决现实世界中的硬组合优化问题以及研究无序量子多体系统提供了一个强大的框架。