神经量子态的连续时间参数化用于量子动力学

神经量子态是一种模拟众多体量子动力学的有前景框架，因其能够表示具有体积定律纠缠的状态。随着时间演化，神经网络参数通常在离散时间步优化，以逼近每个时间点的波函数。鉴于源自薛定谔方程的波函数可微性，本文通过将参数表示为具有可训练、时不可变系数的时域基函数的线性组合，施加一种时连续且可微的参数化。我们测试了这种假设，称为平滑神经量子态（\textit{s}-NQS），其在定义于扩展时间区间上的损失函数下，以非可积玻尔兹曼机作为瞬时神经网络架构。我们展示了该参数化方法实现了准确的时间演化，能够以更少的变分参数进行仿真，独立于时间步长分辨率。此外，平滑神经量子态还允许我们初始化和评估训练集中不包含的时间点的波函数，既在训练区间内也在训练区间之外。