生物学与量子启发型众多体态的混合体

深度神经网络可以表示各种不同的函数，包括复杂的量子众多体态。张量网络也能表示这些态，具有更结构且更易优化。然而，在二维或更高维中它们计算成本 prohibitively 高。本文提出一种感知机推广——感知train（perceptrain）——其借鉴了两种不同形式的特征。我们构建由简单感知train 网络构成的变分众多体 ansatz。该网络可视为具有来自张量网络的几个 distinct 特征的神经网络，包括类似密矩阵正规化算法的高效局部优化；可在优化期间动态增加参数的可能性；可压缩态的可能性；以及保持量子启发结构的可能性。我们在 $10\times 10$ 横场量子 Ising 模型上结合变分蒙特卡洛（VMC）和格林函数蒙特卡洛（GFMC）展示了该 ansatz。该模型对应于 Rydberg（冷）原子平台，用于量子退火。我们一致发现该地面态能量的相对精度非常高，VMC 为 $10^{-5}$，GFMC 为 $10^{-6}$，包括在量子相变附近的所有参数区间。我们使用 very small 秩（$\sim 2$-$5$）的感知train，与矩阵态中数千倍的秩相反。能量优化非常稳健。整个相图通过单个初始条件和固定的超参数集合找到。