Transformer神经网络与量子模拟器：模拟强关联系统的混合方法

由于其强大的表达能力和多功能性，神经网络在模拟大型二维量子多体系统方面引起了关注。然而，其表达能力以优化困难为代价，因为损失景观通常崎岖复杂。在此，我们提出了一种用于神经量子态（NQS）的混合优化方案，包括使用数值或实验数据进行数据驱动的预训练，以及第二个哈密顿量驱动的优化阶段。通过同时使用计算基的投影测量以及其他测量配置（如自旋-自旋关联）的期望值，我们的预训练能够获取态的符号结构，从而实现改进且更快的收敛，并且对实验缺陷和有限数据集具有鲁棒性。我们将该混合方案应用于二维横向场伊辛模型和偶极XY模型在$6\times 6$和$10\times 10$方格上的基态搜索，使用修补的Transformer波函数，并利用数值数据以及来自可编程里德伯量子模拟器[Chen et al., Nature 616 (2023)]的实验数据，表明来自第二个测量基的信息极大地提高了性能。我们的工作为神经量子态的可靠高效优化铺平了道路。