用于经典自旋系统的稀疏自回归神经网络

对涉及大量二元变量或自旋的玻尔兹曼分布进行高效采样和近似，在物理学乃至更广泛的科学领域至关重要。生成式神经网络的最新进展显著影响了该领域。然而，这些神经网络通常被视为黑盒，其架构主要受计算科学中数据驱动问题的影响。为解决这一差距，我们引入了一种名为 TwoBo 的新型自回归神经网络架构，专为稀疏二体相互作用自旋系统设计。我们将玻尔兹曼分布直接纳入其架构和参数中，从而提高了收敛速度、提升了自由能精度并减少了可训练参数。我们在网格和随机图上的无序、受挫系统（包含超过 1000 个自旋）上进行了数值实验，并展示了其相较于先前自回归和循环架构的优势。我们的发现验证了一种物理信息驱动的方法，并暗示了其向多值变量和多体相互作用系统扩展的潜力，为更广泛的科学研究应用铺平了道路。