Explore

理論框架為基於Transformer的神經量子態在情境學習下建立了嚴格的泛化誤差界限，證明預測誤差與上下文範例和網絡深度成反比。

單一自迴歸神經模型現在從稀疏錨定幾何結構學習分子基態，在未訓練的配置上達到化學精度，與獨立優化相比實現了25.8倍的GPU成本減少。

連接量子計算與AI：神經嵌入提升實際硬體上的量子機器學習準確度；邊際理論解釋泛化；Mamba解碼器將QEC解碼從O(d⁴)複雜度擴展到O(d²)複雜度，用於容錯量子計算機。

雙曲RBM神經量子態在表示體積律糾纏系統方面優於歐幾里得對應物，在15個數量級範圍內忠實地重構糾纏譜—展示雙曲幾何對指數糾纏量子態的自然適配...

揭示隨機重構中的對角偏移充當統計過濾器，用於過度參數化神經量子態的有限樣本泛化。引入多偏移SR，結合獨立岭求解以改進方差縮減。

研究人員開發了一種新穎的RBM架構，可直接使用可訓練的量子模板處理量子態作為輸入。該方法在多個量子系統中展示了有效的相態識別能力，無需相態標籤，橋接了量子態處理和經典機器...

確定QGT零空間旋轉的幾何膨脹是量子動力學中NQS準確度失敗的根本原因。提出平均零空間旋轉角作為診斷工具，用於預測和防止時間演化算法中的不準確性。

基於波函數的基礎神經量子態面臨基本拓撲障礙：在非平凡能隙系統中，它們必須在某個參數值處達到零基態保真度。算符值模型可以克服這一限制，同時保持拓撲...

插值採樣方法使神經量子態能夠準確傳播極其稀疏初始態的量子動力學，克服了先前使此類模擬難以進行的根本限制。