利用神经网络波函数中的递归进行三角晶格上海森堡反铁磁体的大规模模拟

变分蒙特卡罗模拟对于理解量子多体系统至关重要，特别是当哈密顿量受挫且基态波函数具有非平凡符号结构时。在本文中，我们使用循环神经网络（RNN）波函数拟设研究晶格尺寸高达 $30\times30$ 的三角晶格反铁磁海森堡模型（TLAHM）。在最近的一项研究 [M. S. Moss et al. arXiv:2502.17144] 中，作者展示了如何迭代地重新训练 RNN 波函数，以合理的计算量获得多种晶格尺寸的变分结果。那项针对无符号问题的正方晶格反铁磁海森堡模型的研究展现了良好的缩放性质，允许对热力学极限进行精确的有限尺寸外推。相比之下，我们目前的结果详细说明了模拟存在符号问题的 TLAHM 的相对困难。我们发现，通过谨慎选择基矢旋转变换哈密顿量，可以显著提高模拟的精度。我们还表明，使用变分神经退火（一种最小化伪自由能的替代优化技术）可以实现类似的收益。最终，我们获得了 TLAHM 在热力学极限下的基态性质估计值，这些估计值与文献中的值吻合良好，表明 RNN 波函数为进行受挫量子多体系统的有限尺寸缩放研究提供了强大的工具箱。