通过使用变分 Monte Carlo 方法和神经网络密度矩阵表示，我们开发了一种有效模拟开放量子系统非平衡稳定态的方法，并通过建模二维耗散性 XYZ 自旋模型进行测试。

Feb, 2019

本文提出了一种基于神经网络量子态的新型变分方案来模拟开放量子多体系统的静态态。我们使用受限玻尔兹曼机器描述的高表现力变分方案，称之为神经静态态方案，计算服从 Lindblad 主方程的量子动力学的静态态。将静态状态搜索问题映射为寻找相应的 Hermitian 运算符的零能量基态，可以应用传统的变分蒙特卡罗方法进行优化。我们的方法被证明能有效地模拟各种自旋系统，即在一维和二维中的横场伊辛模型和一维中的 XYZ 模型。

Feb, 2019

本研究提出了一种基于机器学习技术的有效模拟量子多体系统动力学的方法，使用受限玻尔兹曼机表示混合多体量子态，并导出一个指向时间演化和稳态的变分蒙特卡洛算法，通过针对耗散自旋晶格系统的数值实例验证了该方法的准确性。

Feb, 2019

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

基于深集合神经网络架构，我们引入了一系列用于在空间周期性存在的强相互作用系统中进行模拟的神经量子态，并将输入坐标周期性转换为可直接描述周期性玻色子系统的形式。我们展示了对具有高斯相互作用的一维和二维相互作用量子气体以及 $^4He$ confined in a one-dimensional geometry 的实例应用。我们发现，在一维系统中，我们可以非常精确地估计粒子的基态能量和径向分布函数。在二维系统中，我们得到了良好的基态能量估计，与从更传统的方法获得的结果相当。

Dec, 2021

通过结合机器学习和量子 Monte Carlo 的见解，采用神经网络 Ansatz 状态的随机重构方法是量子多体问题高精度基态估计的一个有前途的新方向。虽然该方法在实践中表现良好，但对学习动态了解甚少。本文通过分析学习景观，揭示了算法的一些隐藏细节。

Oct, 2019

开发了一种第一量子化深度神经网络技术，用于分析格上强耦合费米系统，利用深度残差网络和卷积残差块确定了最近邻相互作用方格点阵上自旋无粒子的基态，较小系统的结果与精确对角化结果比较一致，且具有很高的精度，可以在大系统中准确预测金属和电荷有序相之间的边界。

Jul, 2020

本文介绍了两种量子系统密度矩阵估计方法：量子最大似然法和量子变分推断法，它们利用构造可变分族来模拟混合量子态的密度矩阵，引入了量子流和适当的损失函数来导出感兴趣的本征态和本征值，用这种方法和传统的格技术比较，有新的估计密度矩阵的可能性。

Apr, 2019

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

使用一种新的神经网络架构代替马尔科夫链蒙特卡洛（MCMC）采样方法来支持高效和精确的量子状态预测，这种方法在二维相互作用自旋模型中验证了其精确性和可扩展性。

Feb, 2019