Explore

理论框架为上下文学习下基于Transformer的神经量子态建立了严格的泛化误差界，证明预测误差随上下文示例数和网络深度反向变化。

单一自回归神经模型现可从稀疏锚点几何构型学习分子基态，在未训练构型上实现化学精度，与独立优化相比GPU成本降低25.8倍。

连接量子计算与人工智能：神经嵌入在实际硬件上增强了量子机器学习的准确性；边际理论解释了泛化能力；Mamba解码器将QEC解码的复杂度从O(d⁴)降低到O(d²)，适用于容错量子计算机。

双曲RBM神经量子态在表示体积律纠缠系统方面优于欧几里得对应物，在跨越15个数量级的范围内忠实重构了纠缠谱——展示了双曲几何对指数纠缠量子系统的自然适应性

揭示随机重构中的对角偏移作为统计过滤器，用于过度参数化神经量子态的有限样本泛化。引入多偏移SR，结合独立岭求解以实现改进的方差减少。

研究人员开发了一种新型RBM架构，可直接处理量子态作为输入，使用可训练的量子模板。在多个量子系统中展示了有效的相位识别，无需相位标签，桥接了量子态处理和经典机器学习...

确定量子几何张量(QGT)零空间旋转的几何膨胀是导致神经量子态(NQS)在量子动力学中精度失效的根本原因。提出平均零空间旋转角作为诊断工具，以预测和防止时间演化算法中的不精确性。

基于波函数的基础神经量子态面临一个基本的拓扑阻碍：在非平凡间隙系统中，它们必须在某个参数值处达到零基态保真度。算子值模型可以克服这一限制，同时保持拓扑i...

插值采样方法使神经量子态能够准确地从极其稀疏的初始态传播量子动力学，克服了之前使这样的模拟难以处理的根本限制。