DysonNet：神经量子态的常数时间局部更新

神经量子态（NQS）提供了一种灵活的多体波函数变分框架，但存在高计算成本和解释性有限的局限。我们引入 DysonNet，这是一类耦合通过全局线性层实现严格局部非线性的 NQS。该结构类似于截断的 Dyson 级数，通过将局部波函数更新解释为来自静态杂质的散射，提供了直观的解释。通过对散射级数求和，单自旋翻转更新可在 $\mathcal{O}(1)$ 时间内计算，与系统规模无关，这是我们称为 ABACUS 的算法。采用状态空间模型 S4 实现 DysonNet，可实现对局部估计量计算达到 $230\times$ 速度提升。该提升对应于训练时间尺度的渐近 $\mathcal{O}(N^2)$ 改进，在面积定律相位下，达到 $\mathcal{O}(N \log^2 N)$ 的总训练复杂度。对 1D 长程 Ising 模型和受扰 $J_1$-$J_2$ 链的基准测试表明，DysonNet 在保持国际前沿 NQS 精度的同时，消除了占主导地位的局部更新开销。更广泛地说，本研究表明了一种路线，使得物理可解释性直接实现计算效率，从而可推动可扩展 NQS 架构的发展。