自回归典型热态态
量子物理
2025-08-20 v1 无序系统与神经网络
摘要
最近几年，各种基于机器学习的生成式神经网络为研究量子物质提供了有前景的策略。特别是自然语言处理中自回归模型的成功，激励了它们作为变分假设方法的使用，期望其 demonstrated的规模能力能够转移到量子许多体系统的模拟中。本文我们引入了一个基于图像时间演化的量子系统有限温度性质的自回归框架。我们发现，基于最小纠缠典型热态态(METTS)的已有方法在使用自回归循环神经网络作为变分假设时会出现数值不稳定。我们展示，这些不稳定可以通过对初始ensemble状态进行单位化操作，并施加阈值来遏制ensemble成员的失控演化来缓解。通过与自旋1/2量子XY链的精确结果进行比较，我们证明了自回归典型热态态能够准确计算热态可观测量。
引用
@article{arxiv.2508.13455,
title = {Autoregressive Typical Thermal States},
author = {Tarun Advaith Kumar and Leon Balents and Timothy H. Hsieh and Roger G. Melko},
journal= {arXiv preprint arXiv:2508.13455},
year = {2025}
}
备注
8 pages, 4 figures