神经变换器背流用于解强相关材料的动量分辨基态
强关联电子
2025-10-20 v3 计算物理
摘要
强相关材料拥有丰富的异质量相，但由于强相互作用作用，仍面临求解的挑战。我们引入神经变换器背流（Neural Transformer Backflow，NTB）框架，这是一种在多带投影形式下构建的强大神经网络 ansatz。NTB具有均场超越性、参数高效性和费米本内在性，相较于现有神经 ansatz表现出优异性能。通过自然强制动量守恒，NTB能够直接计算动量分辨的许多体基态，从而对退化能隙进行详细访问。它在小系统上实现高精度，并能有效扩展至更大的规模和更高的带截断，远超精确对角化的计算范围。我们展示了NTB在捕捉扭曲MoTe中各种相关相的能力，包括电荷密度波、分数 Chern 绝缘体以及异常霍尔费米液体，所有这些都在一个统一的框架中实现。这一方法为理解和发现强相关材料中的量子相提供了一条通用、可扩展的途径。
引用
@article{arxiv.2509.09275,
title = {Neural Transformer Backflow for Solving Momentum-Resolved Ground States of Strongly Correlated Materials},
author = {Lixing Zhang and Di Luo},
journal= {arXiv preprint arXiv:2509.09275},
year = {2025}
}
备注
11 pages, 6 figures