Foundation Neural-Network量子态：多 Hamiltonians统一Ansatz
量子物理
2025-08-07 v3 无序系统与神经网络
强关联电子
摘要
Foundation models是高度灵活的神经网络架构，能够处理不同数据类型（如文本和图像），并在各种任务（如分类和生成）中实现泛化。灵感来源于这一成功，我们提出Foundation Neural-Network量子态 (FNQS) 作为研究量子many-body系统的集成范式。FNQS利用foundation模型的关键原则，定义基于单一灵活架构的变分波函数，其处理包括自旋配置和Hamiltonian物理耦合等多模态输入。不同于为单个Hamiltonian量身定制的专用架构，FNQS能够泛化到训练期间未遇到的物理Hamiltonian，提供一种适用于各种量子系统和任务的统一框架。FNQS使得高效估计传统方法难以计算或计算资源密集的量子，特别是无序平均可观测量。此外，fidelity susceptibility可以轻松获得，以发现量子相变，而无需先验的序参数知识。这些预训练模型可以有效微调以适应特定的量子系统。本文中训练的架构可在https://huggingface.co/nqs-models上获取，附有在NetKet中实现这些神经网络的示例。
引用
@article{arxiv.2502.09488,
title = {Foundation Neural-Networks Quantum States as a Unified Ansatz for Multiple Hamiltonians},
author = {Riccardo Rende and Luciano Loris Viteritti and Federico Becca and Antonello Scardicchio and Alessandro Laio and Giuseppe Carleo},
journal= {arXiv preprint arXiv:2502.09488},
year = {2025}
}
备注
10 pages, 6 figures, 1 table