算子Lanczos方法使神经量子态成为实频杂质求解器

为了理解强关联材料中不同能带电子之间的复杂交换，准确处理多轨道模型至关重要。为此，动力学平均场理论（DMFT）提供了一个已建立的框架，其适用范围关键取决于高效量子杂质求解器的可用性。这里我们提出了一种基于神经量子态（NQS）并结合算子Lanczos构造的实频杂质求解器。NQS是一种渐近无偏的变分基态试探波函数，利用神经网络来捕捉复杂图结构上的长程关联。我们利用这种能力，通过系统可改进的分段交换子算子Lanczos（SCOL）构造来求解多轨道杂质问题。我们在单轨道Anderson模型和多轨道Hubbard-Kanamori杂质哈密顿量上的基准测试揭示了优异的基态精度，以及准确解析零温谱函数和自能的能力。这些结果为将DMFT扩展到更具挑战性的问题开辟了道路。