基于 Ising 公式的组合优化问题中存在局部极小值，本文提出了一种基于特定硬件的算法，通过使用当前状态的局部特征来高效地跳出局部极小值，以求得更好的结果。数值实验证明了该特征和算法的有效性。

Dec, 2023

研究了利用人工神经网络作为通用变分波函数描述强相互作用量子系统的表现，特别是对于方格上的自旋模型，提出了使用由两个解耦实值网络组成的近似形式，并采用具体的缓解策略克服了固有的数值不稳定性。

Nov, 2020

通过双轴动力学解耦，在钻石中单个自旋和环境之间的相互作用得到了极大的抑制，并且发现弛豫时间的增强遵循解耦脉冲数量的普适标度。这些结果揭示了实验量子科学的新领域，并允许克服实现量子信息协议的主要障碍。

Aug, 2010

本文使用基于物理知识的神经网络（PINNs）和机器学习，提出了一种用于在包含随机势能的介质中发现本地化特征的新方法，该方法成功克服了相似本征能量的困难。

May, 2023

本文研究有限平均对称神经元连接的稀释吸引子神经网络，通过秩一对称（RS）逼近导出与有限连通性自旋玻璃相似的平衡性质，进行了秩对称的积分方程的分支分析，揭示了相图中的铁磁到扰动和铁磁到自旋玻璃的转化线的位置，计算了回忆相与自旋玻璃相之间的分界线。所有的相变均为连续的。

Apr, 2003

采用参数量子电路迭代地获得变分态，考虑噪音和量子测量结果的随机性，使用与变分态相关的量子费舍尔信息界限定结果精度，并通过实验展示该算法在不同噪声强度下的鲁棒性。

Dec, 2019

本研究提出了一种可以通过局部可观测量从吉布斯态或特定本征态中恢复出有限空间内的时变哈密顿量的方法，并且证明了该方法关于统计恢复误差的理论是正确的。

Jul, 2018

神经网络量子态（NQSs）是通过结合传统方法和深度学习技术进行变分优化的一种新方法，用于找到量子多体基态，并逐渐成为传统变分方法的竞争对手。本文将量子多体变分波函数拆分为实值振幅神经网络和符号结构的乘积，专注于振幅网络的优化，同时保持符号结构固定。我们的方法在三个典型的量子多体系统上进行了测试，所得到的基态能量低于或与传统变分蒙特卡罗（VMC）方法和密度矩阵重整化群（DMRG）相当。令人惊讶的是，在受挫型海森堡 $J_1$-$J_2$ 模型中，我们的结果优于文献中复值卷积神经网络，这意味着复值 NQS 的符号结构很难被优化。我们将来将研究 NQS 的符号结构优化。

Aug, 2023

本研究探讨了学习和利用孤立量子力学系统的哈密顿量及其变分热态估计进行数据分析技术的可能性，并使用量子哈密顿基模型的方法进行产生建模，证明可以用混合态表示这样的大型强子对撞机数据。在进一步步骤中，我们将学习到的哈密顿量用于异常检测，表明不同样本类型一旦被视为量子多体系统，就可以形成不同的动力行为。利用这些特征来量化样本类型之间的差异。我们的研究结果表明，设计用于场论计算的方法可以在机器学习应用中加以利用，以将理论方法应用于数据分析技术。

Nov, 2022

本文研究了约束最小二乘问题（trust region subproblem）和球形自旋玻璃（spherical spin glass）等问题。作者首先确定了对应于磁场线性项的两个大型 N 缩放体积（large-N scaling regimes）， 在第一个区域 N_{tot} 与 N 的数量级一致，成本函数（energy）具有通常有两个几乎简并的极小值的 Tracy-Widom 统计，而在第二个区域中，临界点的数量为一致数量，并且单一最小值的可能性是有限的。作者接下来讨论如何使用复制方法获得最小能量的概率密度。

Mar, 2013