基于神经网络量子态提炼核束缚的关键要素

在探寻核束缚的基本要素过程中，我们计算了核子数至多 $A=20$ 的原子核的基态性质，所用输入为领头阶无π有效场论哈密顿量。我们采用一种基于新型、高表达力的神经网络量子态 ansatz 的变分蒙特卡洛方法，以可系统改进的方式求解多体薛定谔方程。除束缚能与电荷半径外，我们精确评估了这些原子核的磁矩，因为它们揭示了壳层结构的自发涌现，而该结构并未被先验地编码于神经网络 ansatz 中。为此，我们引入了一种基于向核哈密顿量添加外磁场的新计算协议，使神经网络能够在给定磁场中学习核的偏好极化。