用于选定配置相互作用的自回归神经量子态抽样
量子物理
2026-03-27 v1
摘要
准确计算基态能量是量子化学中的核心挑战，由于 many-body 哈姆哈空间的指数级规模。变分蒙特卡罗法和变分量子本征求解器提供了有前景的 ansatz 优化方法，但面临收敛性和硬件限制的问题。我们引入一种特定的选定配置相互作用（SCI）算法，使用自回归神经网络（ARNN）指导子空间扩张以进行基态搜索。利用 ARNN 的独特特性，我们的算法从已学习的基态统计信息中高效构建紧凑的变分子空间，从而加快对基态能量的收敛。在分子系统上的基准测试表明，ARNN 指导的子空间扩张结合了神经网络表示和经典子空间方法的优势，为经典和混合量子-经典算法提供了可扩展的框架。
引用
@article{arxiv.2603.24728,
title = {Auto-regressive Neural Quantum State Sampling for Selected Configuration Interaction},
author = {Shane Thompson and Daniel Gunlycke},
journal= {arXiv preprint arXiv:2603.24728},
year = {2026}
}
备注
26 pages, 13 figures, 1 table