English(EN) Direct/adaptive-mixture phase-gradient learning for neural-network quantum states with complex phase structure

新的学习方法改进了神经网络量子态优化

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-15 04:00

研究人员开发了一种名为直接/自适应混合相位梯度学习的新学习方法，用于神经网络量子态。该技术解决了在优化具有复杂相位结构的量子态时遇到的挑战，这种结构在规范场和费米子统计等领域很常见。通过使用方差比传统方法更低的相位梯度直接估计器，新方法显著减少了错误，在100个位点的磁通梯上，其平均误差为0.89%。自适应混合估计器通过最小化运行失败次数进一步提高了性能，突出了估计器设计对于复值神经网络量子态的关键作用。 AI

影响增强了复杂量子系统的优化技术，可能加速凝聚态物理和量子计算领域的研究。

排序理由这是一篇详细介绍优化神经网络量子态新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Yi-Ran Xue, Rui Wang, Baigeng Wang, Chenan Wei · 2026-06-15 04:00

Direct/adaptive-mixture phase-gradient learning for neural-network quantum states with complex phase structure

arXiv:2606.13912v1 Announce Type: cross Abstract: Neural-network quantum states (NQS) are a leading variational tool for quantum many-body physics, yet their optimization is fragile whenever the ground state carries a non-trivial sign or complex phase structure, a situation gener…

报道来源 [1]

Direct/adaptive-mixture phase-gradient learning for neural-network quantum states with complex phase structure

相关实体

相关话题