使用自回归网络估计约化密度矩阵和纠缠熵

我们展示了自回归神经网络在量子自旋链的蒙特卡洛模拟中的应用，利用其与经典二维自旋系统的对应关系。我们使用一系列能够估计连续自旋条件概率的神经网络，直接评估约化密度矩阵的元素。以 Ising 链为例，我们计算了由最多 5 个自旋组成的区间的基态的冯·诺依曼和 Rényi 双边纠缠熵的连续极限。我们证明我们的架构仅需针对固定的时间离散化和晶格体积进行一次训练即可估计所有所需的矩阵元素。我们的方法可以应用于其他类型的自旋链（可能包含缺陷），以及估计非零温度下热态的纠缠熵。