神经网络量子多体基态振幅的变分优化

神经网络量子态（NQS）通过结合传统方法与深度学习技术进行变分优化，是寻找量子多体基态的新途径，并逐渐成为一种可与传统变分方法竞争的方法。然而，NQS 的优化仍存在若干困难，如局部极小、收敛缓慢以及符号结构优化。在此，我们将量子多体变分波函数拆分为实值振幅神经网络与符号结构的乘积，并在固定符号结构的同时专注于振幅网络的优化。该振幅网络是一个带残差块的卷积神经网络（CNN），即 ResNet。我们的方法在三个典型的量子多体系统上进行了测试。所得基态能量低于或可与传统的变分蒙特卡洛（VMC）方法和密度矩阵重整化群（DMRG）相媲美。令人惊讶的是，对于受阻 Heisenberg $J_1$-$J_2$ 模型，我们的结果优于文献中复值 CNN 的结果，这意味着复值 NQS 的符号结构难以优化。未来我们将研究 NQS 符号结构的优化。