神经网络量子态的adiabatic传输

变分方法为捕捉许多体量子物理提供了可控且强大的工具已有数十年之久。最近可表达的神经网络量子态的引入，使我们能够准确地表示感兴趣的众多Hamiltonian的复杂波函数。我们引入一种从简单Hamiltonian的本征态通过adiabatic继续到强相关规制中本征态的方法，用于构建神经网络表示。凭借对完整许多体gap的受控访问，我们获得了关键指数的准确估计。成功的本征态估计可完全并行运行，使我们能够在无需参考其余光谱的情况下，精确地针对激发态性质进行靶向，从而为整个物相的普遍性质的大规模数值调查打开了大门。