量子科技中心_量科网

神经网络量子态是量子多体物理中一种领先的变分工具，然而当地态具有非平凡的符号或复数相位结构时——这一情况普遍存在于规范场、时间反演对称性破缺以及费米子统计中——其优化过程变得十分脆弱。该团队将此脆弱性归因于相位梯度的随机估计器，而非网络的表达能力。蒙特卡洛能量梯度中的相位部分是一个含噪声的得分函数估计器；而通过微分局域能量得到的一个直接估计器，对于相同的相位力是无偏的，具有更低的方差，且仅需一个分离的振幅-相位拟设。在一个100位点的通量梯子模型上，采用这种方法训练的小型网络达到了 \(0.89\%\) 的中位误差，而经过调优的标准基线停滞在 \(1.8\%\)，更宽或更深的标准梯度网络误差则从 \(8.4\%\) 退化至 \(24.6\%\)。这一优势延续到手性XXX链：在多种 \(α\) 值和系统尺寸下，直接估计器再次收敛到显著低于标准估计器的误差；该优势随通量增大，并在零通量控制组中消失。两种估计器的自适应混合在最优混合系数下，其方差在理论上永远不会劣于其中较优的端点，而基于种子的诊断将大部分增益归因于消除了失败运行。因此，估计器设计成为复数神经量子态的一个首要杠杆。